Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
http://lib.uliege.ac.be http://matheo.uliege.be
Impact de l'incertitude politique sur le marché des actions : le cas du Brexit au Royaume-Uni
Auteur : Dubon, Fanny
Promoteur(s) : Hubner, Georges
Faculté : HEC-Ecole de gestion de l'Université de Liège
Diplôme : Master en sciences de gestion, à finalité spécialisée en Banking and Asset Management
Année académique : 2017-2018
URI/URL : http://hdl.handle.net/2268.2/4735
Avertissement à l'attention des usagers :
Tous les documents placés en accès ouvert sur le site le site MatheO sont protégés par le droit d'auteur. Conformément
aux principes énoncés par la "Budapest Open Access Initiative"(BOAI, 2002), l'utilisateur du site peut lire, télécharger,
copier, transmettre, imprimer, chercher ou faire un lien vers le texte intégral de ces documents, les disséquer pour les
indexer, s'en servir de données pour un logiciel, ou s'en servir à toute autre fin légale (ou prévue par la réglementation
relative au droit d'auteur). Toute utilisation du document à des fins commerciales est strictement interdite.
Par ailleurs, l'utilisateur s'engage à respecter les droits moraux de l'auteur, principalement le droit à l'intégrité de l'oeuvre
et le droit de paternité et ce dans toute utilisation que l'utilisateur entreprend. Ainsi, à titre d'exemple, lorsqu'il reproduira
un document par extrait ou dans son intégralité, l'utilisateur citera de manière complète les sources telles que
mentionnées ci-dessus. Toute utilisation non explicitement autorisée ci-avant (telle que par exemple, la modification du
document ou son résumé) nécessite l'autorisation préalable et expresse des auteurs ou de leurs ayants droit.
IMPACT DE L’INCERTITUDE POLITIQUE
SUR LE MARCHÉ DES ACTIONS : LE CAS
DU BREXIT AU ROYAUME-UNI
Jury : Mémoire présenté par
Promoteur : Fanny DUBON
Georges HÜBNER En vue de l'obtention du diplôme de
Lecteurs : Master en sciences de gestion
Lionel ARTIGE à finalité spécialisée en Banking and
François GHILAIN Asset Management
Année académique 2017/2018
Remerciements
Je tiens avant tout à remercier Professeur Georges HÜBNER, mon promoteur, pour sa confiance,
sa disponibilité et les éclaircissements qu’il m’a apportés tout au long de la rédaction de mon
mémoire.
Je remercie ensuite Professeur Lionel ARTIGE et Monsieur François GHILAIN pour l’intérêt
porté à ce mémoire et pour la lecture de celui-ci.
Je souhaite également remercier tout particulièrement Madame Anne-Sophie HOFFAIT,
Professeur Bernard LEJEUNE et Professeur Geert GIELENS (VUB et UAntwerpen) pour leurs
nombreux conseils. Ceux-ci m’ont permis de dépasser mes objectifs initialement fixés pour la
rédaction de mon mémoire.
Sur un plan personnel je remercie ma famille et Monsieur Benjamin BERTON pour leur soutien
inconditionnel et la motivation qu’ils me transmettent. Cela m’a permis de repousser mes limites
à chaque étape de mon parcours scolaire, notamment lors de la rédaction de ce mémoire.
Finalement, je remercie toutes les personnes ayant contribué de près ou de loin à la rédaction de
ce travail.
Table des matières
Introduction .................................................................................................................................... 1
1. Contexte du Brexit ................................................................................................................. 3
2. Variables faisant fluctuer le marché des actions de manière générale .............................. 9
3. L’incertitude politique dans la littérature ......................................................................... 13
3.1. Définitions ....................................................................................................................... 13
3.2. Théorie existante .............................................................................................................. 14
3.3. Etudes empiriques d’impact d’évènements politiques ayant affecté le marché dans le
passé ......................................................................................................................................... 17
4. Relations internationales du Royaume-Uni et différenciation sectorielle ....................... 21
4.1. Etat des exportations et des importations pré-Brexit ....................................................... 21
4.2. Secteurs sous menace ...................................................................................................... 22
5. Hypothèses découlant des chapitres sur l’incertitude politique et les relations
internationales .............................................................................................................................. 25
6. Vérification de l’Hypothèse 1 : Méthodologie basée sur le modèle de cointégration et
ECM ............................................................................................................................................... 27
6.1. Problématique .................................................................................................................. 27
6.2. Développement de la méthodologie ................................................................................ 28
6.3. Résultats ........................................................................................................................... 40
7. Vérification de l’Hypothèse 2 : Méthodologie basée sur le modèle de GARCH(1,1) ..... 45
7.1. Problématique .................................................................................................................. 45
7.2. Développement de la méthodologie ................................................................................ 46
7.3. Résultats ........................................................................................................................... 49
8. Dimension éthique ................................................................................................................ 57
Conclusion ..................................................................................................................................... 61
Pistes pour des recherches futures .............................................................................................. 65
Liste de références ..............................................................................................................................
Annexes ............................................................................................................................................ I
Table des illustrations
Figures
Figure 1 : Fixation du prix d’équilibre sur un marché.…………………………………………...9
Figure 2 : Le marché des actions : récessions et expansions..…………………………………...11
Figure 3 : Exportations et importations de biens et services au Royaume-Uni en 2016..………..21
Figure 4 : Exportations et importations de services au Royaume-Uni en 2016 par secteur……..23
Figure 5 : Evolution des variables VFTSE, VSTOXX® et BRENOM entre le 24/06/2016 et le
30/03/2018………………………………………………………………………………………..33
Figure 6 : Niveau du VSTOXX®, VFTSE et écart entre les deux séries sur la période
étudiée…..........................................................................................................................37
Tableaux
Tableau 1 : Définition des « jours évènements »………………………………………………....29
Tableau 2 : Echelle de couleur par rapport aux centiles pour représenter les « jours
évènements »……………………………………………………………………………………...30
Tableau 3 : Etude qualitative des « jours évènements »………………………………………….30
Tableau 4 : Matrice de corrélation des variables VFTSE, VSTOXX® et BRENOM entre le
24/06/2016 et le 30/03/2018……………………………………………………………………...33
Tableau 5 : Résultats des régressions pour la série comportant le nombre de nouvelles
journalières……………………………………………………………………………………….41
Tableau 6 : Résultats des régressions pour les dix séries de nouvelles négatives………………..42
Tableau 7 : Résultats des régressions pour les dix séries de nouvelles positives..……………….43
Tableau 8 : Matrice de corrélation des rendements carrés des différents secteurs et de la variable
BRENOM entre le 24/06/2016 et le 30/03/2018………………………………………………….50
Tableau 9 : Résultats des régressions pour l’indice FTSE 350…………………………………..51
Tableau 10 : Résultats des régressions pour la série comportant le nombre de nouvelles
journalières……………………………………………………………………………………….53
Tableau 11 : Résultats des régressions pour la série BREBIN-97……………………………….54
Tableau 12 : Résultats des régressions pour la série BREBIN+95………………………………55
1
Introduction
Les résultats du référendum sur l’indépendance du Royaume-Uni, ou plus connu sous le
nom du Brexit1, annonçant la sortie du pays de l’Union européenne (UE) a surpris de nombreuses
personnes le 24 juin 2016, au lendemain du vote. Ce vote a été suivi de turbulences diverses
pendant plusieurs mois qui se sont prolongées suite au commencement de la période officielle de
négociations entre les deux parties, le 29 mars 2017. L’aspect majeur de ces turbulences est
politique et de nombreux évènements ayant eu lieu pendant cette période post-référendum ont
plongé le pays dans une grande incertitude politique. La question que nous nous sommes posée
dans la rédaction de ce mémoire est la suivante : « Quel est l’impact de l’incertitude politique liée
aux turbulences durant la période post-référendum du Brexit sur la volatilité du marché des
actions britanniques ? »
Après une remise en contexte brève, nous revoyons le comportement du marché des
actions. Celui-ci et les connaissances du monde extérieur quant à son fonctionnement évoluent
constamment au cours du temps. La fixation des prix et les fluctuations de ceux-ci ont été
abordées par beaucoup de théoriciens ayant pour but de trouver une explication exacte à ces
éléments, ce qui permettrait de prédire les prix et la volatilité à l’avenir. Nous référençons les
différents éléments qui ont été détectés comme faisant fluctuer le marché des actions.
Nous définissons ensuite l’incertitude politique et effectuons une revue de la théorie
existante autour de celle-ci et de son impact sur le marché des actions. De plus, dans le passé,
plusieurs évènements ont contribué à la présence accrue de l’incertitude politique dans différents
pays, et ce dans le monde entier. Quelques auteurs se sont penchés sur des évènements précis afin
d’en étudier l’impact sur le marché des actions. Parmi ceux-ci, nous retrouvons notamment la
confrontation Sino-Britannique à Hong-Kong dans les années 1980, le printemps arabe de 2011,
l’élection de Trump et le Brexit en 2016. Une revue des évènements majeurs qui ont déjà fait
l’objet d’une telle étude a été réalisée.
Nous étudions également l’état des relations internationales du Royaume-Uni ainsi que les
secteurs qui pourraient se voir menacer par les négociations du Brexit. Pour ce faire, nous
1 « Le terme Brexit est utilisé pour désigner le scénario de la sortie du Royaume-Uni de l'Union européenne. Cette
expression vient de la contraction de deux mots anglais, "British" (britannique) et "Exit" (sortie). » (Glossaire
International, n.d., pp. 1)
2
analysons les statistiques recueillies par l’Office des Statistiques Nationales du Royaume-Uni et
la littérature se rapportant à l’impact sectoriel de l’incertitude politique.
La revue de ces recherches a abouti à trois hypothèses principales :
1. La volatilité sur le marché des actions augmente avec l’incertitude politique.
2. L’impact de l’incertitude politique est différent en fonction du secteur étudié.
3. L’impact est différent suivant qu’un évènement amène de l’incertitude politique favorable
ou défavorable.
La théorie de cointégration et du mécanisme à correction d’erreur nous permet de
connaître l’impact de l’incertitude politique liée au Brexit sur la volatilité implicite de l’indice
d’actions britanniques FTSE 100. Nous avons créé un nouvel indice sur base des nouvelles
politiques dans le but de quantifier cette incertitude. Ensuite, nous étudions l’impact sectoriel à
travers un modèle GARCH-X(1,1)2. La différence d’impact en fonction de la « couleur » de
l’incertitude politique induite sera étudiée dans chacun des modèles.
Nous concluons ce mémoire en expliquant si oui ou non, l’incertitude politique a eu un
impact sur la volatilité du marché des actions au Royaume-Uni pendant la période étudiée. Nous
émettons également des pistes pour de futures recherches.
2 GARCH-X = Generalized AutoRegressive Conditional Heteroskedasticity Extended, ou en français
Hétéroscédasticité Conditionnelle Auto-Régressive Généralisée Etendue
3
1. Contexte du Brexit3
1.1. Un prédécesseur : Groexit de 1982
Avant le Royaume-Uni, aucun Etat membre (EM) n’avait jamais quitté l’Union
européenne. Cette affirmation peut cependant être tempérée par le départ du Groenland en 1982.
Faisant partie du Danemark, le territoire groenlandais avait rejoint la Communauté économique
européenne (CEE) suite à l’ajout du pays entier dans celle-ci en 1973. Néanmoins, les citoyens
groenlandais ont voté à 52% la sortie de l’Union européenne lors d’un référendum organisé à
cette fin. Le Groenland, devenant de plus en plus indépendant, cherchait à se libérer des
contraintes toujours plus conséquentes imposées par le Danemark et l’UE sur les activités de
pêche, première source de revenus pour le territoire. (Maurice, 2017)
Le vote a été suivi par trois ans de négociations entre les gouvernements du Groenland et danois
ainsi qu’entre ce dernier et la Commission européenne. A l’issue de ces négociations, le
Groenland a officiellement quitté l’UE et son gouvernement a repris la main sur les décisions
concernant ses eaux. Malgré cela, le divorce Groenland-UE n’a pas été un frein à toutes relations
entre le pays et l’Union puisqu’un accord concernant les droits futurs sur la pêche a vu le jour
pendant les négociations. Cet accord garantit des droits de pêche similaires aux droits pré-
référendum à l’UE en échange d’une participation financière de la part du Groenland, également
similaire à la période pré-référendum. (Maurice, 2017)
Aujourd’hui, sans le soutien de l’UE, le Groenland a perdu du poids face aux grandes nations. Il
cherche donc à développer un réseau plus global en termes de commerce et d’accès afin d’éviter
de passer par le Danemark. (Maurice, 2017)
1.2. Article 50 du Traité de Lisbonne de 2007
En 2007, le Traité de Lisbonne a été ratifié et est entré en vigueur en 2009. L’Article 50
du Traité autorise les EM à quitter l’UE. Avant l’ajout de cette disposition, il était impossible
pour un EM de quitter l’UE légalement. Les cinq paragraphes que contient l’Article 50 instaurent
la procédure à suivre. D’abord, le Premier Ministre notifie par lettre le Président du Conseil
européen de son intention de sortir. Le Conseil décide d’un principal négociateur et d’une équipe
3 Pour ce chapitre, les informations proviennent d’articles de quotidiens d’actualité et les auteurs sont référencés en
fin de paragraphe.
4
négociatrice. Une fois l’Article 50 invoqué, s’en suit une période de deux ans de négociations sur
la sortie de l’EM. Chaque accord doit être conclu par le Conseil européen rassemblant une
majorité qualifiée4 de votes et ensuite être ratifié par le Parlement européen et le Parlement du
pays concerné.
1.3. Origine du Brexit
Le parti de l’indépendance britannique est à l’origine du mouvement de sortie du
Royaume-Uni de l’UE. Cela fait en effet plusieurs années que ses campagnes politiques sont
axées autour de ce sujet. Il a été rejoint par une partie des députés du parti conservateur pendant
la campagne pour le référendum et plusieurs députés des partis socialistes de l’Irlande du Nord
également en faveur du Brexit. (Quinn, 2016)
Deux raisons principales sont à la base de l’engouement pour le référendum. La première
est une impression de manque de liberté du Royaume-Uni causée par les trop nombreuses règles
de commerce de l’UE. La deuxième raison est une participation financière de l’EM que les
britanniques estimaient trop élevée en comparaison du rendement que le pays reçoit de l’UE. De
plus, les partis en faveur du Brexit souhaitaient que le Royaume-Uni dépende moins des
décisions cadres de l’UE. (Quinn, 2016)
Un autre problème pointé du doigt était le problème de l’immigration, puisqu’avec les lois
européennes sur le sujet, le pays n’a pas de contrôle total sur ses frontières et donc sur le nombre
de visiteurs ou de travailleurs étrangers. Ceci est dû au principe de « libre circulation des
personnes », principe clé de l’UE, qui permet à n’importe quel citoyen d’un Etat membre de
voyager dans un autre EM sans visa. (Quinn, 2016)
L’opposition, quant à elle, était menée par le Premier Ministre de l’époque, David
Cameron. Malgré sa volonté de rester membre de l’UE, il avait réussi à négocier un accord afin
que l’adhésion du Royaume-Uni ait un statut spécial pour résoudre certaines des problématiques
que pointaient les partis en faveur du Brexit – principalement celle concernant l’immigration –
dans le cas où le résultat était « in 5». Theresa May, la Première Ministre ayant succédé à David
Cameron à la suite du vote du Brexit était également contre la sortie du Royaume-Uni. Les partis
4 Est entendu par majorité qualifiée au moins 20 pays membres, représentant 65% de la population totale de l’UE.
5 Le résultat « in » signifie que le Royaume-Uni reste dans l’UE, par opposition au résultat « out ».
5
socialiste, national de l’Ecosse, du pays de Galles, vert et les libéraux démocrates désiraient
également le maintien de l’adhésion du Royaume-Uni à l’UE. Le parti conservateur est
finalement resté neutre. (Quinn, 2016)
Barack Obama était contre le Brexit, contrairement à Donald Trump qui se réjouit de la sortie du
Royaume-Uni. Plusieurs leaders des pays membres étaient également contre, comme la France et
l’Allemagne. (Quinn, 2016)
Les raisons principales de l’opposition étaient que l’appartenance à une union économique et
douanière facilite de manière drastique les échanges, qu’ils soient de personnes, de capitaux ou
de marchandises. La sortie du Royaume-Uni rendrait donc les échanges moins aisés entre l’UE et
le pays. (Quinn, 2016)
1.4. Référendum du 23 juin 2016
Les jours précédant le vote, les marchés ne croyaient pas au « out » et jusqu’à la veille du
référendum, les sondages d’opinion plaçaient le « in » en tête et d’importants rachats de positions
de vente à découvert ont été exécutés.
Le référendum a eu lieu le 23 juin 2016 dans tout le Royaume-Uni et 72,2% de la
population britannique y a participé. Le « out » est sorti vainqueur du vote avec 51,9% des voix
des participants. (Hunt & Wheeler, 2018)
Le vendredi 24 juin 2016 est considéré par les experts des marchés financiers comme un
« vendredi noir ». La livre sterling a perdu 10% de sa valeur contre le dollar en une nuit et le
FTSE 100, indice comprenant des actions de moyennes et grandes entreprises britanniques, a
connu une chute conséquente de 8% à l’ouverture le lendemain du vote. Le FTSE 250 contient en
plus des actions de petites entreprises et a plongé de 11,4% la nuit du 25 juin, ce qui représente la
plus grosse chute depuis sa création. Enfin, Moody’s, agence de notation de crédits, a diminué la
note des obligations gouvernementales britanniques de stable à négative. D’autres pays ont
également souffert d’une chute boursière en ce vendredi noir, c’est le cas de l’Italie, l’Espagne,
l’Allemagne, la France, les Etats-Unis et le Japon. (Chu, 2016)
6
1.5. Situation post-référendum
Le 29 mars 2017, l’Article 506 invoqué, la période de négociations de deux ans a
officiellement commencé. La sortie du Royaume-Uni de l’UE est donc prévue pour le 29 mars
2019 à 23:00 (GMT+1). Théoriquement, cette période de deux ans ne peut être étendue qu’à
condition que les 28 pays membres soient d’accord, sinon les traités européens cesseront de
s’appliquer au Royaume-Uni. (Hunt & Wheeler, 2018)
Pendant ces deux années, les équipes négociant les termes du Brexit, issues des 28 états
membres de l’UE, doivent se réunir en face-à-face une semaine par mois, en plus des réunions
extraordinaires, afin d’arriver à un accord de sortie pour le Royaume-Uni. Aucune négociation
individuelle entre un Etat membre et le Royaume-Uni n’est autorisée pendant la période de
négociations. Lorsqu’un projet d’accord est établi, le Royaume-Uni le présente devant le Conseil
européen où siègent les 28 EM. Pour qu’un projet découle sur un accord, au moins 20 EM,
représentant 65% de la population totale de l’UE, doivent avoir accepté ce projet. Et cet accord
est finalement ratifié par le Parlement Européen qui possède un droit de véto. Durant cette
période, le Royaume-Uni fait toujours officiellement partie de l’UE et prend part à toutes les
discussions et décisions, excepté les discussions internes concernant son propre retrait. (Hunt &
Wheeler, 2018)
Pour le moment, deux des trois questions majeures du retrait du pays ont abouti sur un accord
provisoire. Premièrement, il était question de déterminer le montant de la dette du Royaume-Uni
envers l’UE. La BBC rapporte que l’accord provisoire prévoit une dette comprise entre 35
milliards et 45 milliards de livres sterling. Le deuxième problème à régler concernait le sort des
citoyens britanniques vivant à l’étranger dans l’UE et des citoyens de l’UE vivant au Royaume-
Uni. L’accord provisoire stipule que les citoyens des Etats membres vivant au Royaume-Uni et
vice-versa garderont leur droit de vivre, travailler et étudier dans le pays étranger. Le droit de
réunification est également conservé afin que les familles des citoyens étrangers puissent les
rejoindre dans le futur. Troisièmement, l’avenir de la frontière avec l’Irlande du Nord devait être
réglé mais aucun accord n’a encore été trouvé et ce problème provoque un blocage dans les
négociations. L’Irlande du Nord souhaiterait des garanties que le Royaume-Uni n’est pas encore
en mesure de lui accorder. Les discussions sur les relations ultérieures entre les Etats membres et
6 Cf. point 1.2.
7
le Royaume-Uni sont maintenant en cours et concernent principalement le commerce, le voyage
et la sécurité. Il n’existe donc encore aucun accord, ne serait-ce que provisoire, sur l’état des
relations commerciales entre les pays à la sortie du Royaume-Uni de l’UE puisque le problème
concernant la frontière entre les deux Irlandes a ralenti les négociations. (Hunt & Wheeler, 2018)
Selon l’Article 50 du Traité de Lisbonne, à la fin des deux années de négociations, un
accord final doit être approuvé par le parlement du Royaume-Uni et le pays peut quitter l’UE.
En réalité, la BBC rapporte qu’il n’y aura pas de rupture instantanée le 29 mars 2019 puisque les
deux parties se sont accordées sur une période de transition douce de 21 mois vers les relations
post-Brexit. Cette période de transition permettra de minimiser les perturbations éventuelles pour
les entreprises, entre autres. Les nouvelles règles en matière de relations entre le Royaume-Uni et
l’UE ne seront donc totalement applicables qu’à partir du 1er
janvier 2021. (Hunt & Wheeler,
2018)
Notons finalement que tout pays s’étant retiré de l’UE peut faire la demande d’y revenir
dans le futur en suivant la procédure d’adhésion dans l’UE.
9
2. Variables faisant fluctuer le marché des actions
Un des principes de base de la Science Economique contemporaine établit que « chaque
chose a un prix ». Le prix d’équilibre d’un marché, ici le marché des actions, « se fixe à la
rencontre de la courbe d’offre et de la courbe de demande », comme le montre la figure 1.
(Jurion, 2013, pp.18-19)
Le prix d’équilibre d’une action varie donc dépendamment des fluctuations de l’offre et de la
demande de l’action en question. En effet, si la demande pour une action augmente par rapport à
son offre, le prix de celle-ci augmentera et inversement puisque l’équilibre naturel entre les deux
courbes se rétablira. (Jurion, 2013)
Figure 1 : Fixation du prix d’équilibre sur un marché
Source : (Jurion, 2013, p.20)
Le prix attendu d’une action dépend donc des fluctuations futures de son offre et de sa demande,
qui elles-mêmes dépendent de plusieurs variables. Ce chapitre se focalise sur les facteurs
influençant le prix futur des actions les plus étudiées dans le passé, sans oublier cependant que
d’autres variables pourraient impacter le marché des actions et que la liste des facteurs cités ci-
après n’est pas exhaustive.
La théorie moderne de la finance suggère que le prix des actions est déterminé par la somme des
cash-flows futurs attendus, actualisés à un taux approprié. (Shiller, 1981) Ce taux est dit
approprié lorsqu’il tient compte du coût de capital, représentant le coût d’emprunt et dépendant
10
du taux d’intérêt, du risque de l’entreprise sous-jacente par rapport au risque du marché, souvent
approximé par le beta, et du coût d’opportunité ou du taux sans risque.
Cependant, plusieurs théoriciens se sont demandé dans quelle mesure le cash-flow attendu
impacte le prix des actions. Ces investigations ont eu lieu suite au constat que les prix des actions
étaient trop volatiles pour n’être expliqués que par le cash-flow attendu. C’est notamment le cas
de Shiller (1981), Kothari et Shanken (1992) et Maio et Santa-Clara (2015) qui concluent par
leurs différents tests que la volatilité des prix des actions est supérieure à celle des dividendes
réels et donc que les fluctuations des prix des actions étaient seulement en partie expliquées par
les cash-flows attendus. Shiller (1981) observe également que l’écart type des mouvements des
dividendes réels, étant souvent considéré comme une mesure de l’incertitude quant aux futurs
dividendes, est une mesure biaisée de celle-ci.
En plus des cash-flows futurs espérés et caractéristiques propres à l’entreprise sous-
jacente de l’action, les variables connues comme affectant la volatilité des prix des actions sont
les cycles économiques et les variations des variables macroéconomiques. Ces variables
représentent l’économie de manière générale et déterminent ainsi les attentes et les décisions
d’investissement sur le marché des actions.
Le prix des actions est influencé par les anticipations quant à la performance future des
entreprises et de l’économie. Lorsqu’une récession est attendue, les prix sont revus à la baisse par
les investisseurs et la demande pour les actions diminue, ce qui fait baisser leur prix. Par contre,
lorsque les investisseurs anticipent une expansion économique, la demande pour les actions,
sous-évaluées, augmente et le prix de celles-ci aussi. La figure 2 illustre cela en représentant les
périodes de récessions en gris et la performance du S&P 500 sur la courbe depuis 1950. (Thorp
2003)
11
Figure 2 : Le marché des actions : récessions et expansions
Source : (Thorp, 2003)
Thorp (2003) expose qu’il existe un décalage entre le début d’une récession ou d’une expansion
économique et son annonce. Siegel (2002) illustre ce constat puisqu’il a étudié les 42 récessions
ayant eu lieu pendant les 50 années précédant son livre « Stocks for the Long Run ». Il a
démontré que 39 des 42 récessions étudiées étaient précédées d’une chute sur le marché des
actions de plus de 8%. Il explique dans son livre que le délai moyen entre le pic sur le marché des
actions et le pic dans le cycle économique sur la périodé étudiée était de 5,7 mois, période
pendant laquelle le marché des actions était en déclin.
Fama et French (1989) se sont également intéressés aux cycles économiques et ont démontré
qu’en temps de récession les rendements espérés sont supérieurs à ceux attendus en temps
d’expansion économique.
Plusieurs chercheurs expliquent le lien qui existe entre les changements dans les variables
macroéconomiques et le marché des actions. (Schwert, 1990 ; Soenen & Johnson, 2001 ;
Sampath, 2011 ; Khan & Zaman, 2012 ; Khumalo, 2013 ; Cutler, Poterba, & Summers, 1989)
Les variables les plus souvent étudiées sont les différents taux d’intérêts, l’inflation, le CPI7, le
taux de change réel, le PIB8 et la croissance de production industrielle et réelle.
7 CPI = Consumer Price Index, ou en français l’Indice des Prix à la Consommation.
8 PIB = Produit Intérieur Brut.
12
Schwert montrait déjà en 1990 que la croissance de la production industrielle avait un impact sur
les prix des actions. Soenen et Johnson (2001) ont démontré une relation significative existant
entre le CPI et le rendement des actions, ainsi qu’entre la production réelle et les prix sur le
marché des actions.
Des études empiriques plus récentes montrent également que les variables macroéconomiques ont
un impact sur les prix des actions. Sampath (2011) montre que le taux de change réel effectif,
l’indice des prix de gros et l’indice de production industrielle ont un impact à long terme sur les
prix des actions. D’après l’étude empirique de Khan et Zaman (2012), le PIB et le taux de change
ont un impact positif sur ces prix, contrairement au CPI qui les affecte négativement. De
nombreuses études montrent que l’inflation a un impact significativement négatif sur ces prix,
c’est ce que, notamment, Khumalo (2013) appuie.
Cutler et al. (1989) ont étudié l’impact de diverses nouvelles d’actualité sur la volatilité du
marché des actions. Ils ont trouvé qu’il était difficile d’expliquer plus d’un tiers de la variance des
rendements à partir des nouvelles macroéconomiques.
Enfin, c’est récemment que la question de l’impact de l’incertitude politique sur le marché
des actions est apparue dans la littérature. Cet aspect est étudié dans les chapitres suivants.
13
3. L’incertitude politique dans la littérature
3.1. Définitions
La notion d’incertitude politique est souvent liée à la notion de risque politique malgré la
différence entre ces deux notions. La première étant très peu définie dans la littérature
scientifique, la définition utilisée dans ce travail sera une adaptation de la notion de risque
politique.
D’après Matthee (2011) dans l’International Encyclopedia of Political Science, le risque
politique est un type de risque auquel les investisseurs, les entreprises et les gouvernements font
face. C’est le risque qu’une décision, un évènement ou des conditions politiques affectent
significativement la profitabilité d’un acteur économique ou de la valeur attendue d’une certaine
action économique.
Dans son document de travail, Sottilotta (2013) ajoute les notions de probabilité et de
changement négatif inattendu à la définition de risque politique. Suite à son analyse des
différentes définitions existantes du risque politique, elle conclut que le risque politique pourrait
être défini comme la probabilité que la profitabilité d’un investissement soit négativement
affectée par des circonstances attribuables soit à un changement négatif inattendu à niveau
national ou international, soit à un choix de politique gouvernementale.
La différence entre risque et incertitude a été longuement étudiée par Frank Knight
(1957). Selon lui, la principale différence existant entre risque et incertitude est que le premier est
mesurable et le deuxième ne l’est pas. Il conclut dans son ouvrage qu’en termes de probabilités,
le risque a une distribution d’états futurs possibles connue, alors que celle de l’incertitude est
inconnue et impossible à déterminer. Ceci laisse place aux définitions qui composent aujourd’hui
la base de la gestion des risques : « l’inconnu connu », représentant le risque, et « l’inconnu
inconnu », l’incertitude.
Lorsqu’on s’intéresse aux définitions de dictionnaires, les mêmes conclusions ressortent.
Le Robert de Poche définit le risque comme un « danger prévisible » (Collectif, 2016b, pp. 635),
l’incertitude comme une « chose imprévisible » (Collectif, 2016b, pp. 371) et politique comme
14
étant « relatif à l’organisation, à l’exercice du pouvoir dans une société organisée » (Collectif,
2016b, pp. 553).
Enfin, Pástor et Veronesi (2013) ont défini l’incertitude politique comme étant
l’incertitude quant aux futures actions du gouvernement.
La définition d’incertitude politique retenue pour ce travail est une adaptation de la définition
de risque politique de Matthee (2011) et d’incertitude de Frank Knight (1957) : « le fait qu’une
décision, un évènement ou des conditions politiques inconnus et imprévisibles affectent
significativement la profitabilité d’un acteur économique ou de la valeur attendue d’une certaine
action économique. ».
Plus particulièrement, dans ce mémoire, sont entendus par « une décision, un évènement ou
des conditions politiques », toute décision, évènement et condition politiques liés au Brexit et au
processus de négociations du Brexit post-vote.
3.2. Théorie existante
Plusieurs théoriciens ont déjà discuté de l’incertitude politique mais d’autres théories et
hypothèses plus anciennes ont un lien avec l’impact de l’incertitude politique sur le marché des
actions.
Brown, Harlow et Tinic (1988) sont à la base de l’hypothèse quant à l’information incertaine
(UIH) qui stipule que l’actualité suivant un évènement financier dramatique a un impact positif
sur le risque et le rendement espéré des entreprises affectées et que cet effet est accru avec
l’actualité négative. Ils ont vérifié cette hypothèse sur plus de 9.000 évènements se rapportant à
des entreprises.
Corrado et Jordan (1997) ont réétudié l’UIH qui avait été proposée par Brown et al. (1988)
quelques années plus tôt. Leur étude empirique, qui distingue les périodes d’évènements des
périodes stables de manière plus efficiente que leurs homologues en 1988, a montré que le prix
des actions, indépendamment du risque, subissait un renversement temporaire à la suite
d’évènements. Leurs résultats contredisent l’UIH pour trois cas sur quatre. Le seul cas pour
lequel ils soutiennent la partie sur les rendements espérés de l’UIH est lorsque les évènements
sont positifs et diminuent le risque.
15
L’UIH a été utilisée plus récemment pour expliquer l’impact de l’incertitude politique sur le
marché des actions. Ce sont Beaulieu et al. (2006) qui comparent leurs résultats d’une étude d’un
tel impact avec l’UIH. Ils expliquent que le résultat négatif du référendum d’indépendance
québécoise était une bonne nouvelle pour les marchés financiers et que ce résultat représentait
une information incertaine quant à l’avenir politique du Québec ayant eu un impact positif sur le
rendement des actions québécoise. Ce constat est consistent avec l’hypothèse de Brown et al.
(1988).
Plus récemment, des théories concernant l’incertitude politique en tant que telle ont été
développées.
Notamment, Baker, Bloom et Davis (2016) ont construit une série d’indices appelée « Economic
Policy Uncertainty Indices » (EPU). Cette série d’indices est basée sur le nombre d’articles
concernant l’incertitude autour de la politique économique dans les journaux majeurs9, le nombre
de dispositions fiscales dont l’expiration est prévue dans les années à venir, menant à une perte
fiscale, et le désaccord des économistes quant aux futures décisions économiques du
gouvernement. La série englobe un indice pour une multitude de pays et de zones géographiques.
Ensuite, le Political Risk Services group (2018) a développé un indicateur de risque politique
qu’ils ont inclu dans leur base de données appelée « International Country Risk Guide » (ICRG).
Les données concernant le risque politique sont disponibles pour 126 pays et rassemblent l’avis
d’analystes financiers sur 12 attributs de ce risque, comme la stabilité du gouvernement, les
conflits internes et la corruption.
Certains théoriciens ont cherché à lier cette incertitude politique aux marchés financiers,
et plus particulièrement aux marchés des actions.
Pástor et Veronesi (2013) sont à la base d’un modèle liant l’incertitude politique et la prime de
risque d’un investissement, qu’ils ont créé suite à deux constats : le prix des actifs semble réagir
à l’actualité politique et il est difficile d’interpréter ce lien car il y a un manque de guidance
théorique.
9 Pour définir quels journaux sont majeurs, la scientificité, la crédibilité et l’importance du journal sont prises en
compte.
16
Ils ont basé leur modèle sur trois postulats :
1. Un effet positif est attendu sur les marchés financiers si les gouvernements répondent
adéquatement aux chocs imprévus.
2. Un effet négatif pourrait avoir lieu puisque l’incertitude politique n’est pas entièrement
diversifiable.
3. Les nouveaux évènements ou décisions politiques sont hétérogènes. Différentes décisions
auraient donc différents impacts avec différents degrés d’incertitude. (Pástor & Veronesi,
2013)
Pástor et Veronesi (2013) identifient trois types de chocs affectant les prix sur le marché des
actions : un choc de capital, un choc d’impact et un choc politique. Les chocs de capital et
d’impact peuvent être regroupés en un seul choc : le choc économique, orthogonal au choc
politique, représentant les impacts directs et indirects de la situation macroéconomique sur le
marché des actions. Le choc politique, quant à lui, émane lorsque le coût politique qui découle
des potentielles nouvelles politiques devient connu à travers la publication d’actualités politiques.
L’opinion des investisseurs quant aux futures perspectives possibles en termes de politiques
gouvernementales peut alors changer. Pástor et Veronesi (2013) ont introduit dans leur modèle
une prime de risque sur actions pour chacun des chocs économiques, ainsi qu’une prime de risque
politique représentant une compensation pour l’incertitude quant au résultat d’évènements
purement politiques.
Ils ont ensuite testé leur modèle empiriquement grâce à l’indice EPU créé par Baker et al. (2016)
et l’indice S&P500. Leurs conclusions montrent que le changement de politique gouvernementale
est plus probable dans une économie fragile que dans une économie stable. Le gouvernement, en
changeant de politique, assure implicitement une protection au marché, qui est elle-même
diminuée par l’incertitude politique. Cette incertitude commande donc une prime de risque qui
est supérieure dans une économie plus fragile que dans une économie solide, et inversement. Une
seconde conclusion est que le marché des actions est plus volatile et corrélé en période de plus
grande incertitude politique, effet qui est amplifié dans une économie fragile. Enfin, Pástor et
Veronesi (2013) ont montré que la prime de risque, la volatilité et la corrélation des rendements
des actions augmentent lorsqu’il existe une plus grande hétérogénéité dans les potentielles
nouvelles politiques gouvernementales.
17
3.3. Etudes empiriques d’impact d’évènements politiques ayant affecté le
marché dans le passé
Différents évènements politiques passés ont démontré avoir eu des implications sur le
marché des actions. L’accent est souvent mis sur les Etats-Unis mais ce phénomène est mondial,
comme le prouvent certaines études asiatiques, moyen-orientales, africaines ou européennes.
3.3.1. Amérique du Nord
Sur le continent américain, deux évènements ont notamment retenu l’attention des
chercheurs au niveau de l’impact de l’incertitude politique : le référendum sur l’indépendance du
Québec de 1995 et l’élection de Trump en 2016.
Référendum sur l’indépendance du Québec de 1995
Le 30 octobre 1995 a eu lieu un référendum sur l’indépendance du Québec, au cours
duquel les citoyens québécois étaient invités à voter pour ou contre la souveraineté nationale et
l’indépendance du Québec en tant que pays à part entière. À ce référendum se rapporte une
incertitude politique importante dont l’impact sur le marché des actions québécoises a été étudié
par Beaulieu et al. (2006). À court terme, ils ont trouvé que le référendum impactait le rendement
des différentes actions québécoises et que cet impact s’accentuait en fonction du degré de relation
internationale de l’entreprise sous-jacente. Ils affirment par leurs résultats que l’issue du
référendum était imprévue et donc qu’elle représentait bien de l’incertitude politique et
confirment l’UIH développée par Brown et al. (1988), comme dit précédemment.
Elections des Etats-Unis de 2016
Une étude récente sur l’élection présidentielle de 2016 aux Etats-Unis, menée par
Bouoiyour et Selmi (2016), observe des rendements anormaux autour du jour de l’élection. Les
résultats de cette étude démontrent que le rendement des actions est en augmentation jusqu’à la
date d’annonce des résultats de l’élection. Ceci rejoint la conclusion de Li et Born (2006) qui ont
montré que le marché des actions était haussier durant la période pré-électorale lorsque les
résultats de l’élection était incertains, tout comme l’était l’issue de la confrontation entre Trump
et Clinton. Ensuite, Bouoiyour et Selmi (2016) démontrent que la majorité des industries ont subi
une baisse de rendement des actions le jour de l’élection de Trump et cette baisse s’est inversée
pendant les 10 jours suivant cette élection. Cependant, cette conclusion n’est pas correcte pour les
18
secteurs de la technologie et des utilités, ce qui démontre que l’effet de l’incertitude politique est
spécifique aux secteurs et que les industries « gagnantes » sont généralement celles qui vont
bénéficier de l’attention du nouveau gouvernement.
3.3.2. Asie
En Asie, deux évènements politiques conséquents ont eu lieu et ont eu un impact sur le
marché des actions : la confrontation Sino-Britannique à Honk-Hong et le scandale politique Bo
Xilai en Chine.
Confrontation Sino-Britannique à Honk-Hong dans les années 1980 et 1990
Chan et Wei (1996) ont conduit des recherches sur l’impact des nouvelles politiques sur la
volatilité du marché des actions à Honk-Hong pendant la période de confrontation Sino-
Britannique. Leur étude a démontré que les nouvelles politiques augmentent la volatilité du
marché des actions à Honk-Hong. Une autre conclusion de leur étude est qu’une nouvelle
politique favorable commande des rendements positifs et une nouvelle politique défavorable
commande des rendements négatifs pour les actions blue-chips (entreprises de Honk-Hong ou
britanniques), mais que les actions red-chips (détenues par la République Populaire de Chine)
n’étaient pas impactées par les chocs politiques dus à la confrontation sino-britannique.
Scandale politique Bo Xilai en Chine en 2012
En 2012, un scandale politique appelé « Bo Xilai » a eu lieu en Chine. Pendant ces
évènements, d’après Liu, Shu et Wei (2016), l’incertitude politique quant au fait que le transfert
de pouvoir et leadership de la 4ème
génération vers la 5ème
se fasse de manière lisse et paisible a eu
des implications sur la stabilité du pays. Ils démontrent des baisses significatives de rendement
des actions chinoises autour de ce scandale. Ils ont trouvé que les actions d’entreprises sont
sensibles aux changements de politiques gouvernementales et ont été particulièrement touchées
lors de l’évènement. La volatilité des rendements suite à l’esclandre a également augmenté de
manière plus significative pour les entreprises sensibles aux politiques du gouvernement que pour
les entreprises insensibles à ce genre de politiques. La conclusion de leur travail est qu’il existe
une prime pour le risque politique sur le marché des actions.
19
3.3.3. Moyen-Orient
Printemps Arabe de 2011
Chau, Deesomsak et Wang (2014) ont étudié l’impact des émeutes qui ont éclaté pendant
le Printemps Arabe au Moyen-Orient et en Afrique du Nord en 2011 sur la volatilité implicite des
principaux marchés des actions du MENA10
. Leurs résultats montrent que deux groupes d’indices
ont réagi de manière différente à l’incertitude politique qui survenait pendant cette période : les
indices du marché des actions islamiques et les indices conventionnels. Les premiers ont vu leur
volatilité augmenter pendant le Printemps Arabe, contrairement au second groupe d’indices dont
la volatilité n’a pas subi d’effet significatif. Ils soutiennent que l’incertitude politique contribue
en partie à la volatilité des prix des actions, en plus des facteurs cités dans le chapitre 2.
3.3.4. Afrique du Nord
Révolution tunisienne de 2011
Une révolution contre la dictature, la répression et le despotisme tunisien a eu lieu en
2011 et a créé beaucoup d’incertitude et d’instabilité politique dans le pays. Zaiana (2018) a
étudié l’impact de cette incertitude sur la volatilité et les rendements des indices sectoriels
tunisiens et sur l’indice global d’actions tunisiennes. Pour quantifier l’incertitude politique,
Zaiana a utilisé le nombre de nouvelles politiques positives et négatives. Les résultats montrent
que les nouvelles politiques augmentent la volatilité de tous les secteurs et de l’indice global,
mais les nouvelles négatives ont un impact plus significatif sur la volatilité que les nouvelles
positives. Par contre, il n’y a eu pas d’effet significatif sur les rendements des différentes actions
pendant la période étudiée.
3.3.5. Europe
En Europe, nous revoyons l’impact du référendum sur l’indépendance de l’Ecosse de
2014 mais également les différentes études ayant déjà été menées sur l’impact du Brexit sur le
marché des actions britanniques.
Référendum sur l’indépendance de l’Ecosse en 2014
En 2014, l’Ecosse a voté son indépendance à travers un référendum. Acker et Duck
(2015) ont étudié la sensibilité des actions pendant la période autour de ce référendum. Ils
10
MENA = Middle East and North Africa en anglais, ou en français Moyen-Orient et Afrique du Nord.
20
concluent que celui-ci a commandé une prime de risque politique sur le marché des actions
écossais. Ils ont également remarqué que les informations les plus visibles quant à l’issue du
référendum sont les plus utilisées par les investisseurs.
Brexit
Plusieurs études d’évènement portant sur le Brexit ont déjà été conduites. Smales (2016) a
étudié l’influence de l’incertitude politique liée au vote du Brexit sur l’incertitude des marchés
financiers. La période étudiée est pré-référendum, l’échantillon de données commence en janvier
2013 et se termine en juin 2016. Elle ne prend donc pas en compte la période de négociations
post-vote. Les résultats de son analyse sur les indices de volatilité anglais (VFTSE) et allemand
(VDAX) montrent que la volatilité implicite des deux indices augmente lorsque l’incertitude
quant à l’issue du vote augmente. Smales (2016) démontre également que plus l’on se rapproche
de la date du vote et plus les sondages d’opinion indiquent que le résultat sera serré, plus
l’incertitude politique augmente, et par conséquent l’incertitude sur le marché des actions aussi.
Ensuite, Ramiah, Pham et Moosa (2016) ont étudié plus en détails la différence d’impact du
Brexit (entre juin et juillet 2016) en fonction des différents secteurs. Leur étude a montré que le
Brexit a eu des effets variés sur les rendements absolus des actions anglaises avec des différences
significatives en fonction des secteurs. Parmi les secteurs pour lesquels un impact était attendu,
ceux ayant été affectés le plus négativement sont les secteurs bancaire et financier, le secteur du
voyage et des loisirs et celui des nouvelles technologies. D’autres secteurs n’ont que peu intéressé
les livres et la presse avant le référendum mais ont néanmoins été affectés très négativement ; les
articles ménagers, l’immobilier, la grande distribution et le secteur de construction et matériaux.
Les autres secteurs n’ont été que peu ou pas affectés de manière directe par le référendum.
Enfin, Cazan (2017) a étudié l’impact du Brexit sur le prix des actions du secteur bancaire
spécifiquement. Ses conclusions sont similaires à celles de Ramiah et al. (2016), puisqu’il
démontre que le secteur bancaire a connu une hausse dans le prix des actions jusqu’au jour du
référendum, pour ensuite subir un choc avec un rendement négatif anormal cumulé sur dix jours.
Ces études couvrent l’impact direct qu’a eu le référendum mais pas l’impact de la période suivant
celui-ci ni des négociations autour du Brexit. C’est donc cette période qui sera étudiée dans la
partie quantitative de ce mémoire.
21
4. Relations internationales du Royaume-Uni et différenciation sectorielle
L’élément le plus à même de changer à la sortie du Royaume-Uni est ses relations
internationales. C’est pourquoi nous sommes intéressés de connaître l’importance de celles-ci
pour le pays mais également si certains secteurs se voient menacés de manière plus conséquente
que d’autres par le Brexit et les négociations en cours.
4.1. Etat des exportations et des importations pré-Brexit
Selon l’Office des Statistiques Nationales du Royaume-Uni (ONS, 2018), les importations
totales britanniques sont supérieures aux exportations totales depuis 1998, ce qui donne une
balance commerciale déficitaire. Cependant, comme le montre la figure 3 pour 2016, il est
important de différencier les importations et exportations de biens de celles des services, puisque
la tendance est inverse dans les deux catégories. En effet, pour les services, les exportations sont
supérieures aux importations et pour les biens, les exportations sont inférieures aux importations.
La balance commerciale totale négative est donc due à l’ampleur des importations de biens et est
augmentée grâce à la balance commerciale de services positive.
Figure 3 : Exportations et importations de biens et services au Royaume-Uni en 2016
Source : Elaboration propre à partir de l’Office des Statistiques Nationales du Royaume-Uni (2018)
Le commerce international représente une part importante des activités britanniques. En 2015, les
exportations valaient 27% du PIB du Royaume-Uni et les importations 29%.
Au sein des relations internationales du Royaume-Uni, les relations avec l’UE sont
importantes. En 2016, la part des biens et services étant exportés vers l’UE était de 46% et la part
22
d’importations vers l’UE était de 55%. Les parts des exportations de biens (48%) et des
importations de biens (55%) vers l’UE étaient plus grandes que celles de services, respectivement
44% d’exportations et 53% d’importations. (ONS, 2018)
De plus, l’ONS rapporte qu’en 2016, la croissance des exportations de services vers l’UE
représentait la plus grosse partie de la croissance totale de celles-ci. Ce constat a également été
fait pour 2017 par Bloomberg dans son Bulletin sur le Brexit du 17/04/2018 où les exportations
de services vers l’UE représentent la plus grosse partie de la croissance en exportations de
services.
La relation du point de vue de l’UE ne pèse pas de la même manière. Le Royaume-Uni ne
représente qu’une petite part des exportations et des importations de l’UE. Les importations de
l’UE provenaient pour un peu plus de 4% de marchandises et services du Royaume-Uni en 2016.
Entre 6 et 7% des exportations totales de l’Union étaient destinées au Royaume-Uni en 2016.
(ONS, 2018)
Les importations du Royaume-Uni ont augmenté significativement entre 2013 et 2016. Cette
augmentation était due, d’une part, à une croissance économique britannique marquée et d’autre
part au poids de la Livre Sterling contre l’Euro durant cette période. (ONS, 2018) Ces deux
aspects risquent d’être impactés négativement par le Brexit.
4.2. Secteurs sous menace
Plusieurs théoriciens ont montré que certaines industries souffraient plus de l’incertitude
politique que d’autres. Bouoiyour et Selmi (2016) ont vu que tous les secteurs n’étaient pas
impacté par l’incertitude politique. Beaulieu, Cosset et Essaddam (2006) ont montré que le degré
de volatilité du prix des différentes actions varient en fonction du niveau des relations
internationales de l’entreprise sous-jacente. Boutchkova, Doshi, Durnev, et Molchanov (2017)
ont appuyé ce résultat en présentant que les secteurs qui dépendent du commerce souffrent d’une
volatilité supérieure en temps de plus grande incertitude politique, plus particulièrement les
industries orientées vers l’exportation. Yu, Fang, Zhang et Du (2017) ont montré que les secteurs
de matériaux et industriel étaient plus sensibles à l’incertitude politique, voyant leur volatilité
long-terme augmenter avec celle-ci.
23
Certains secteurs britanniques représentent une plus grosse part des exportations et des
importations que d’autres. La figure 4 expose l’état des exportations et importations de services
en fonction des différents secteurs en 2016 pour le Royaume-Uni.
Le secteur financier représentait la plus grosse portion des exportations de services du Royaume-
Uni en 2016 mais ne pèse pas beaucoup dans les importations. Le constat contraire peut être fait
pour le secteur du voyage, où les importations de services sont les plus élevées de tous les
secteurs mais les exportations de services sont moindres par rapport à celles-ci, même si elles
représentent une grosse part dans le total des exportations de services. (ONS, 2018)
Figure 4 : Exportations et importations de services au Royaume-Uni en 2016 par secteur
Source : Elaboration propre à partir de l’Office des Statistiques Nationales du Royaume-Uni (2018)
De plus, lors du vote du Brexit, les journaux d’actualité ont rapporté plusieurs impacts
sectoriels directs ressentis sur le marché des actions. A titre d’exemple, l’Independent (Chu,
2016) affirmait, au lendemain du vote que les banques et les sociétés immobilières britanniques
étaient les plus grandes « perdantes » du « vendredi noir ». En effet, en une nuit, « Royal Bank of
24
Scotland » et « Lloyds » ont chuté de 20% et le constructeur de maisons « Taylor Wimpey » a
perdu 29%.
Les négociations sur le commerce viennent seulement d’être entamées, il est donc difficile
de savoir si celles-ci aboutiront sur des accords qui garantissent des relations similaires à celles
pré-Brexit. Au vu de l’importance des relations internationale pour le pays, le Royaume-Uni
pourrait être fortement impacté par sa sortie de l’UE. Plus particulièrement, les industries les plus
dépendantes des relations internationales pourraient donc souffrir du niveau d’incertitude
politique pendant la période de négociations de manière plus forte que les secteurs indépendants
des relations internationales. Ces secteurs pour le Royaume-Uni sont les secteurs financier, du
voyage, du transport, des services des technologies de l’information et les services d’assurances
et de pensions.
25
5. Hypothèses découlant des chapitres sur l’incertitude politique et les
relations internationales
Suite aux conclusions des différents chapitres précédant celui-ci, les hypothèses suivantes
ont été émises pour le cas de l’incertitude politique due au Brexit sur le marché des actions
britanniques entre le 24/06/2016, jour suivant le référendum, et le 30/03/2018, date du premier
anniversaire des négociations.
Hypothèse 1 : Le marché des actions est plus volatile en période de plus grande incertitude
politique.
Si cette hypothèse s’avère vraie pour le cas étudié, les actions britanniques seront plus volatiles
les jours où le Brexit aura provoqué une augmentation de l’incertitude politique sur les marchés,
ci-après appelés « jours évènements ».
Hypothèse 2 : L’impact de l’incertitude politique sur la volatilité du marché des actions est
spécifique aux secteurs.
Un impact différent devrait se noter en fonction des secteurs étudiés et certains secteurs
pourraient même ne pas être impactés.
Une sous-hypothèse est que les secteurs les plus impactés par l’incertitude politique sont les
secteurs dépendant le plus des relations internationales puisque celles-ci seront certainement
amenées à changer à la sortie du Royaume-Uni de l’UE. Comme étudié dans le chapitre 4, ces
secteurs sont les secteurs financier, du voyage, du transport, des services des technologies de
l’information et les services d’assurances et de pensions.
Hypothèse 3 : Les nouvelles politiques favorables et les nouvelles politique défavorables n’ont
pas le même impact sur la volatilité des marchés des actions.
Cette hypothèse sera vérifiée en parallèle des hypothèses 1 et 2. Les résultats obtenus devraient
être différents en fonction de la « couleur » attribuée à la nouvelle politique.
27
6. Vérification de l’Hypothèse 1 : Méthodologie basée sur le modèle de
cointégration et ECM
6.1. Problématique
Pour rappel, l’hypothèse 1 est que « le marché des actions est plus volatile en période de
plus grande incertitude politique ».
La plupart des précédentes études sur l’incertitude politique se base sur des modèles
d’étude d’évènements précis à très court terme. Ici, l’évènement étudié est à moyen terme et se
réfère à l’ensemble de la période post-Brexit jusqu’au premier anniversaire des négociations, du
24/06/2016 au 30/03/2018, en sachant que la période de négociations est toujours en cours après
cette date. La période étudiée englobe donc plusieurs évènements et chocs et les modèles utilisés
par les chercheurs dans la plupart des études précédentes ne peuvent donc pas être utilisés.
Le but de cette étude est de vérifier un impact significatif lié aux différents évènements
étant survenus pendant la période d’incertitude politique qui a suivi le vote du Brexit ainsi que
pendant la première année de négociations sur la volatilité implicite du marché des actions du
Royaume-Uni. Nous allons utiliser un modèle d’ECM11
pour approuver ou non l’hypothèse
d’impact significatif. Le modèle permettra d’étudier si un tel impact a eu lieu sur la relation entre
deux variables, l’une représentant la volatilité implicite sur le marché des actions au Royaume-
Uni, VFTSE, l’autre la volatilité implicite sur le marché des actions européen, VSTOXX®,
n’incluant pas le Royaume-Uni.
Pour ce faire, plusieurs étapes sont nécessaires :
1. Définir les variables utilisées dans notre modèle,
2. Tester ces variables pour déterminer l’existence d’une potentielle racine unitaire et
l’éliminer si tel est le cas,
3. Tester la cointégration de nos variables, et
4. Appliquer le modèle d’ECM à notre cas, l’incertitude politique liée au Brexit.
Toutes les données utilisées dans ce chapitre sont extraites de la plateforme Bloomberg et nous
utilisons le logiciel d’économétrie Gretl pour les traiter.
11
ECM = Error Correction Mechanism, ou en français Mécanisme à Correction d’Erreur.
28
6.2. Développement de la méthodologie
6.2.1. Définition des variables préalablement choisies
Premièrement, il est important de définir les variables choisies pour notre modèle. Ce
modèle utilise trois variables différentes dans notre cas : l’indice VSTOXX®12
, indice de
volatilité implicite de l’EURO STOXX® 5013
, l’indice VFTSE12
, indice de volatilité implicite du
FTSE 10013
, et un indice quantitatif représentant l’incertitude politique liée au Brexit.
Les variables VSTOXX® et VFTSE sont connues dans la littérature comme étant
cointégrées, c’est-à-dire qu’il existe une relation à long-terme entre les deux séries temporelles.
(Aussenegg, Goetz, & Jelic, 2013 ; Chen, Mantegna, Pantelous, & Zuev, 2018) Cependant elles
peuvent subir des chocs propres à court-terme qui n’ont pas d’impact sur l’autre série. Dans notre
cas, c’est l’impact d’une variable Brexit que nous allons mesurer sur la relation à long-terme qu’il
existe entre VSTOXX® et VFTSE, après avoir vérifié que cette relation existe bel et bien. En
effet, le Brexit est propre au Royaume-Uni et a un effet sur l’incertitude politique de ce pays. Si
cette variable a un impact sur la volatilité implicite de l’indice FTSE 100 du Royaume-Uni,
l’impact devrait être moindre ou nul sur la volatilité implicite de l’indice EURO STOXX® 50.
Ensuite, l’indice quantitatif représentant l’incertitude politique dans les études passées est
la plupart du temps soit représenté par l’évolution des résultats d’un sondage d’opinions, soit par
des indices de pays existants, comme l’EPU ou l’ICRG, dont nous parlons dans le chapitre 3.
Dans notre cas, il n’existe pas de sondage d’opinions assez divers et actif pour représenter
l’incertitude politique due au Brexit régnant au Royaume-Uni pendant la période étudiée puisque
celle-ci n’est pas classifiable en deux catégories étant « gagne » ou « perd » comme le font
généralement les sondages d’opinions. En effet, les sondages d’opinions existant sur le sujet
n’englobent pas l’entièreté des sujets relatifs au Brexit et à sa période de négociations. Ensuite,
les indices de pays comme l’EPU ou l’ICRG représentent l’incertitude totale régnant dans le
pays, les indices britanniques ne prennent donc pas uniquement en compte l’incertitude liée au
Brexit.
12
La méthodologie utilisée pour le calcul du VSTOXX et du VFTSE se trouve en annexe 1. 13
La composition des indices EURO STOXX 50 et FTSE 100 se trouve en annexe 2.
29
Afin d’isoler la variable « Brexit » dans l’incertitude politique du Royaume-Uni, nous avons
construit notre propre variable muette, sur base des nouvelles d’actualité politique liée au Brexit,
comme le fait Zaiane (2018) pour la révolution tunisienne de 2011. Cette méthodologie est
également à la base des indices EPU. Nous utilisons la presse financière, plus spécifiquement
Bloomberg News, comme base pour recueillir les nouvelles d’actualité.
Bloomberg a créé un indice journalier de tendance d’actualité appelé BBRXNTBR Index qui
recense le nombre d’articles parus sur Bloomberg News traitant du thème « Brexit ». Nous
travaillons avec des données journalières de cet indice afin de pouvoir isoler chaque évènement
représentatif de l’incertitude politique, mais également pour ne pas perdre d’information
importante qui s’annulerait à l’apparition d’une autre information importante contradictoire. Sur
base de cet indice, nous choisissons de manière arbitraire un centile suffisamment grand à partir
duquel les données représentent les « jours évènements » pendant la période sous-analyse afin de
créer une série binaire pour la suite de notre modèle. Afin de tester la robustesse de notre série,
dix centiles différents sont choisis pour créer dix séries binaires positives et dix séries binaires
négatives. Le modèle sera testé avec chacune des séries pour vérifier la sensibilité de l’indice et
du modèle.
Les centiles choisis vont de 90% à 99%. Le tableau 1 reprend chaque centile avec son nombre de
nouvelles minimal requis pour être considéré comme « jour évènement » ainsi que le nombre de
dates qualifiées de « jours évènements » dans la série.
Tableau 1 : Définition des « jours évènements »
Centile 90% 91% 92% 93% 94% 95% 96% 97% 98% 99%
Seuil de News 330 344,2 370,6 392 448,4 492 598,4 661,2 876,4 1248,2
Nombre de “jours
évènements” 47 42 37 33 28 24 19 14 10 5
Source : Elaboration propre à partir de l’indice BBRXNTBR de Bloomberg
Nous étudions ensuite chaque date dont le nombre d’articles d’actualité est supérieur au centile
choisi afin de donner une « couleur » aux « jours évènements » en fonction du fait que l’actualité
induit plus d’incertitude politique (négative) ou réduit cette incertitude (positive). Pour ce faire,
une analyse qualitative de cette actualité est menée. Le tableau 3 rassemble les dates retenues
comme « jours évènements », l’objet de l’évènement en question et la « couleur » de l’évènement
30
pour les différents centiles choisis. Le tableau 2 présente l’échelle de couleur pour distinguer les
News des différents centiles.
Tableau 2 : Echelle de couleur par rapport aux centiles pour représenter les « jours
évènements »
Centile 90% 91% 92% 93% 94% 95% 96% 97% 98% 99%
Echelle de couleur 330 344,2 370,6 392 448,4 492 598,4 661,2 876,4 1248,2
Source : Elaboration propre à partir de l’indice BBRXNTBR de Bloomberg
Tableau 3 : Etude qualitative des « jours évènements »
Date N° de News Objet principal des nouvelles « Couleur »
24-06-16 7707 - Résultat du vote en faveur du Brexit
- Beaucoup de questionnements autour de l'avenir des relations internationales -
27-06-16 2815
- Des politiciens britanniques du parti travailliste quittent leur parti suite à la
victoire du « leave »
- Toujours plus de questionnements et début de discussions autour des « impacts »
futurs
-
28-06-16 2295
- Premier sommet européen post-Brexit
- Regrets de certains et remise en question du Brexit : aura-t-il lieu?
- Partisans du "Leave" affirment ne pas être prêt pour un Brexit (notamment Boris
Johnson, ancien maire de Londres)
-
29-06-16 1641
- Le parti travailliste en mauvaise posture et Cameron demande au chef du parti,
Jeremy Corbyn, de se retirer
- Première rencontre de David Cameron avec les 27 autres pays membres après le
vote
-
30-06-16 1430
- Résultat de la première rencontre entre 28 : sortie irrévocable du Royaume-Uni
- Questionnement sur le remplacement de Cameron
- Johnson (Parti indépendantiste) démissionne -
01-07-16 1127 - L'incertitude quant au remplacement de Cameron augmente
- Osborne émet des prédictions négatives pour l'économie en 2020 -
04-07-16 647 - Farage démissionne du parti indépendantiste
- Londres parle de diminuer l'impôt sur les sociétés -
05-07-16 890 - Beaucoup de questionnements sur l'immigration surgissent
- Les actes de xénophobie sont en augmentation -
06-07-16 932 Trois fonds immobiliers britanniques ont cessé leur activité suite à la demande
excessive de rachats de parts -
07-07-16 661
- Bataille entre May et Leadsom pour succéder à Cameron
- Ce sont maintenant six fonds immobiliers qui ont interdit à leurs actionnaires de
racheter des parts -
08-07-16 581 L'inquiétude à propos de l'immobilier ne cesse pas - 11-07-16 633 Le parti travailliste connaît d'autres coups durs -
12-07-16 811
- Le gouvernement ne planifie pas d'en finir avec l'austérité
- Début des questions autour de l'avenir de la « City »
- Theresa May deviendra Première Ministre -
13-07-16 662
- Theresa May devient officiellement Première Ministre et annonce qu'elle va
monter un nouveau département spécial « Brexit »
- May est sur le point d'annoncer qui sera dans son cabinet +
14-07-16 820
- Le nouveau chancelier Philip Hammond annonce qu’il ne prévoit pas de budget
d'urgence pour le Royaume-Uni
- Theresa May annonce son cabinet
- En attente de la décision de nouvelle politique monétaire de la Banque
d'Angleterre
-
31
18-07-16 384 - May va rencontrer l'Allemagne et la France pour les négociations
- Johnson a sa première réunion des ministres des affaires étrangères à Bruxelles +
19-07-16 434
- Le FMI annonce une diminution des prévisions de croissance suite au vote du
Brexit
- Les turbulences continuent pour le parti travailliste -
20-07-16 495
- Rencontre entre May et Merkel
- May signifie le retrait du Royaume-Uni dans la course présidentielle européenne
pour 2017 -
21-07-16 438 La Grande-Bretagne n'activera pas l'article 50 en 2016 -
27-07-16 356 - La question de la frontière entre les deux Irlandes commence à émerger
- Désignation de Barnier pour mener les négociations autour du Brexit -
04-08-16 462 Plan de relance pour la Banque d'Angleterre entamé en diminuant son taux
directeur +
07-09-16 393 Nouvelles attaques xénophobes en Angleterre -
03-10-16 330 - Annonce de la procédure d'activation de l'article 50 en mars 2017
- Theresa May n'a toujours pas de plan précis pour le Brexit -
06-10-16 374 Congrès du parti conservateur où Theresa May émet l'idée de demander aux
entreprises britanniques la liste de leurs travailleurs étrangers -
12-10-16 388 Les politiciens britanniques (du parti travailliste et certains conservateurs)
s'opposent à May suite à son annonce au congrès du 6/10 -
13-10-16 343 - La « City » se questionne quant à son avenir et se prépare au départ de Londres
- La livre diminue encore suite au discours de May -
03-11-16 587 Le parlement britannique annonce que l'article 50 ne peut pas être invoqué par le
gouvernement sans le vote du parlement lui-même à priori -
04-11-16 330 Suite des retombées de la décision du parlement -
06-12-16 338
- Barnier presse le Royaume-Uni de prendre une décision rapide
- La court suprême est en discussion pour voir si le parlement britannique doit
donner son accord avant l'invocation de l'article 50 par May -
16-01-17 464 - Veille de l'annonce de la stratégie de Brexit de May
- Trump félicite le Brexit -
17-01-17 981
Discours de May affirmant un Brexit dur, dont les points principaux sont :
affirmation du vote ultime du parlement avant qu'un deal ne soit d'application,
volonté de contrôle de l'immigration, pas d'adhésion au marché unique européen
mais volonté d'un accès à celui-ci à travers un accord de libre-échange, volonté
d'une diminution de la contribution au budget de l'UE et volonté d'un accord
douanier avec l'UE
-
18-01-17 474
- Inquiétude de la presse britannique suite au discours de May prônant un Brexit
dur
- Nouveau questionnement autour de l'avenir de la « City » -
19-01-17 492 Discussions autour de la délocalisation de la « City » -
24-01-17 606 La cour suprême a pris sa décision : Le parlement doit approuver l'invocation de
l'article 50 avant que le gouvernement ne puisse le faire -
13-03-17 373 L'Ecosse se bat pour l'arrêt du Brexit et parle d'un deuxième référendum écossais
pour l'indépendance de l'Ecosse -
29-03-17 1060 Invocation de l'article 50 et émergence de beaucoup de questionnements le
concernant -
30-03-17 442
- Suite des retombées de l'invocation de l'article 50
- Premier plan d'abrogation des lois européennes dans la loi britannique dévoilé et
décrété « fragile », il ne comporte aucune proposition de législation concrète et ne
répond pas à la question de décentralisation des pouvoirs
-
18-04-17 361 Annonce surprise des élections législatives du 8 juin -
03-05-17 432 Barnier refuse de commencer les négociations commerciales tant que la dette du
Royaume-Uni à l'UE n'est pas fixée -
09-06-17 655 Retombées des élections législatives de la veille où May a vécu un échec inattendu
(-11 sièges et perte de la majorité pour son parti) -
19-06-17 345 Début des négociations pour le Brexit à Bruxelles +
32
22-06-17 365 May offre aux citoyens étrangers de l'UE de rester au Royaume-Uni après le Brexit +
22-09-17 458
- Discours de May à Florence : rien n'est clair quant à ses attentes de la relation à
long-terme avec l'UE
- Moody's diminue la cote de crédit du Royaume-Uni suite à l'incertitude liée au
Brexit
-
29-11-17 332 May accepte la proposition de dette britannique estimée comprise entre 40 et 50
milliards d'€ à Bruxelles afin de passer aux négociations commerciales +
04-12-17 542
Le parti démocratique unioniste d'Irlande du Nord refuse la proposition d'accord
pour la frontière irlandaise, ce qui complique l'accord de la première phase de
négociations entre Londres et Bruxelles -
05-12-17 370 Blocage sur le Brexit à cause de la frontière irlandaise confirmé -
08-12-17 822 Compromis trouvé entre l'Irlande du Nord et May et un accord de divorce est
trouvé entre Londres et Bruxelles +
Source : Elaboration propre à partir de Bloomberg News
Nous obtenons, au centile le plus faible, 40 nouvelles politiques négatives liées au Brexit et 7
nouvelles positives.
Nous avons vu dans la revue de littérature que les nouvelles positives et les nouvelles négatives
n’ont pas toujours le même impact, nous allons donc analyser séparément les deux catégories de
nouvelles. Ceci nous permettra de tester l’hypothèse 3. Nous avons maintenant 16 séries
représentant l’incertitude politique liée au Brexit pendant la période étudiée :
- dix séries binaires composées de 0 et de 1 appelées plus loin « BREBIN-XX » pour le
centile XX, où 0 représente un jour sans évènement et 1 représente un « jour
évènement négatif»,
- cinq14
séries binaires composées de 0 et de 1 appelées plus loin « BREBIN+XX » pour le
centile XX, où 0 représente un jour sans évènement et 1 représente un « jour
évènement positif», et
- la série de base comportant le nombre de nouvelles établie par Bloomberg, sans
distinction entre nouvelles positives et négatives, ci-après appelée « BRENOM ».
L’évolution des séries temporelles VSTOXX®, VFTSE et BRENOM sont représentées
sur la figure 5 pour la période étudiée. On observe une tendance commune aux séries VFTSE et
VSTOXX® et des chocs dans la série BRENOM. Le lien entre ces trois variables est analysé
dans la suite de l’étude.
14
Les séries BREBIN+93 et BREBIN+94 sont identiques, tout comme les séries BREBIN+95, BREBIN+96 et
BREBIN+97. De plus, les séries BREBIN+98 et BREBIN+99 ne sont pas prises en comptes car elles ne comportent
que des 0.
33
Figure 5 : Evolution des variables VFTSE, VSTOXX® et BRENOM entre le 24/06/2016 et le
30/03/2018
Source : Elaboration propre à partir de données Bloomberg
Lorsque nous nous intéressons à la corrélation de Pearson entre les variables
BRENOM_115
, VFTSE et VSTOXX®, nous obtenons la matrice suivante :
Tableau 4 : Matrice de corrélation des variables VFTSE, VSTOXX® et BRENOM entre le
24/06/2016 et le 30/03/2018
VFTSE VSTOXX® BRENOM_1
VFTSE 1
VSTOXX® 0,91665387 1
BRENOM_1 0,46388781 0,37578327 1
Source : Elaboration propre à partir de données Bloomberg
Nous notons déjà une très forte corrélation entre VFTSE et VSTOXX®. Ensuite, nous voyons
que la variable BRENOM est significativement16
corrélée avec le VFTSE et le VSTOXX®, mais
plus avec le VFTSE qu’avec le VSTOXX®. Ces corrélations représentent la relation linéaire
entre les variables. C’est une représentation numérique de l’ampleur et de la direction de
15
Nous prenons la série BRENOM avec un retard d’un jour, qui correspond au retard optimal défini dans le point
6.2.4. 16
Nous disons de deux variables qu’elles sont significativement corrélées lorsque la p-value est inférieure à 0,05, ce
qui signifie que nous rejetons l’hypothèse nulle de corrélation égale à 0.
0
1000
2000
3000
4000
5000
6000
7000
8000
0
5
10
15
20
25
30
35
40
Nom
bre
de
New
s su
r le
th
ème
du
Bre
xit
Vale
ur
en d
evis
e lo
cale
VFTSE
VSTOXX
BRENOM
34
l’évolution d’une variable par rapport à une autre. Plus la corrélation est proche de 1, plus la
relation linéaire entre les variables est forte et plus celles-ci varient dans la même direction et
subissent des chocs d’ampleur similaire. (Sedgwick, 2012) Ceci nous donne un premier avis
positif quant à l’utilisation de ces variables dans notre modèle, puisque cette matrice confirme les
relations préalablement attendues entre celles-ci.
6.2.2. Test de racine unitaire
Deuxièmement, pour créer un modèle utilisant des séries temporelles, un test de racine
unitaire doit être réalisé pour déterminer l’ordre d’intégration de chaque variable et vérifier que
nous n’effectuons pas de spurious regression. Nous appelons spurious regression le fait qu’une
racine unitaire engendre l’apparition d’une relation entre deux séries temporelles alors que celles-
ci ne sont pas réellement liées. Ce phénomène est courant dans les séries temporelles lorsque les
séries ne sont pas stationnaires. Ce test nous permettra de certifier que les séries temporelles
utilisées sont stationnaires, intégrées d’ordre 0, et non intégrées d’ordre 1 ou supérieur à 1 afin de
supprimer toute spurious regression possible. D’après Chatfield (1975) dans son livre « the
analysis of time series : theory and practice », une série chronologique est dite stationnaire
lorsqu’il n’y a pas de changement systématique dans sa moyenne ni dans sa variance et lorsque
les variations strictement périodiques sont supprimées. L’ordre d’intégration représente le
nombre de fois où la série doit être différenciée dans le but d’éliminer sa tendance stochastique et
devenir stationnaire.
Afin de connaître l’ordre d’intégration de nos variables, le test Dickey-Fuller (tenant son
nom de ses inventeurs David Dickey et Wayne Fuller (1979)) est utilisé. Ce test n’est pas le seul
test existant afin de détecter une racine unitaire mais, selon Stock et Watson (2003), il est le plus
utilisé dans la pratique et est fiable. Celui-ci teste l’hypothèse nulle qu’une racine unitaire est
présente dans le modèle autorégressif d’une série temporelle, l’hypothèse alternative étant que la
série temporelle est stationnaire.
L’expression mathématique d’un modèle autorégressif simple d’une série temporelle est :
35
Où Y est la variable d’intérêt, t est l’indice de temps, est un paramètre et est le terme
d’erreur.
Il existe une racine unitaire dans le cas où et la série temporelle est dite non-stationnaire
intégrée d’ordre 1.
Les hypothèses émises pour les tests sont donc les suivantes :
-
-
Nous avons testé les trois variables préalablement déterminées à l’aide du programme
d’économétrie Gretl pour nous assurer qu’aucune spurious regression n’était possible.
La statistique t sortant de ce test est un nombre négatif : plus cette statistique est négative, plus le
seuil de confiance pour le rejet de l’hypothèse nulle qu’il existe une racine unitaire est élevé. La
statistique t est calculée comme suit :
Les valeurs critiques pour le rejet ou non-rejet d’H0 et le détail des résultats obtenus se trouvent
en annexe 3.
Les résultats17
des tests montrent que les séries VSTOXX® et VFTSE sont intégrées d’ordre 1,
I(1), ce qui signifie qu’elles doivent être différenciées une fois pour obtenir des séries temporelles
stationnaires et éviter d’avoir une spurious regression. Les séries BREBIN-XX, BREBIN+XX et
BRNOM sont, quant à elles, stationnaires.
Les séries intégrées d’ordre 1 ne peuvent donc pas être utilisées telles quelles dans un modèle de
séries temporelles, nous utiliserons donc la première différence de ces séries : VSTOXX® et
VFTSE, correspondant à des séries stationnaires. Les équations des premières différences sont :
17
Le détail des résultats se trouvent en annexe 3.
36
6.2.3. Cointégration
Troisièmement, après avoir vérifié la stationnarité de nos séries temporelles et éliminé les
tendances stochastiques de nos variables de départ en prenant leur première différence, nous
allons vérifier si les séries VSTOXX® et VFTSE sont cointégrées ou non.
La cointégration émane quand deux variables partagent une tendance commune, c’est-à-
dire que chacune des variables contient une tendance mais la différence pondérée des deux
variables, appelée « écart », n’en contient pas. Cette théorie peut révéler des relations à long
terme entre deux séries temporelles. Cela signifie que même si une évolution peut survenir et
causer des changements dans les éléments individuels de l’équation de régression, il existe une
relation d’équilibre à long terme liant les éléments individuels ensemble. Lorsque deux variables
sont cointégrées, il y a un mécanisme qui ramène le système à l’équilibre à chaque fois qu’il subi
un choc qui l’en éloigne.
Deux séries ayant une tendance stochastique commune sont donc dites cointégrées.
Mathématiquement, ceci signifie que :
« Supposons deux variables Xt et Yt intégrées d’ordre 1. Si, pour un certain coefficient ,
est intégrée d’ordre 0, alors Xt et Yt sont dites cointégrées. Le coefficient est appelé le
coefficient de cointégration.
Si Xt et Yt sont cointégrées, alors elles ont une tendance stochastique commune. Calculer la
différence permet d’éliminer cette tendance commune. » (Stock et Watson, 2003,
pp.553, Trad.)
D’après Stock et Watson (2003), il existe trois étapes dans la prise de décision quant à la
cointégration des séries temporelles, ici VSTOXX® et VFTSE. La première consiste à rendre un
avis selon les études existantes. La seconde étape est de créer un graphique reprenant les deux
séries et regarder si, à priori, une tendance apparaît ou non. La dernière permet de confirmer nos
preuves par un test économétrique de cointégration.
La littérature confirme que les variables VFTSE et VSTOXX® sont cointégrées, comme le
démontrent par exemple Chen et al. (2018), surtout pour les périodes de récession ou de grande
incertitude, et Aussenegg et al. (2013) dans leurs précédentes études.
37
Graphiquement, comme nous le voyons sur la figure 6, une tendance commune aux deux
variables apparaît, contrairement à la représentation graphique de la série temporelle de leur
écart.
Figure 6 : Niveau du VSTOXX®, VFTSE et écart entre les deux séries sur la période étudiée
Source : Elaboration propre à partir de données Bloomberg
Enfin, nous avons performé un test statistique afin de vérifier la cointégration des deux séries.
La régression de cointégration à tester est :
Où est le coefficient de cointégration, représente les résidus de la régression, est un
paramètre et t est un bruit blanc faible.
Le test que nous allons effectuer est appelé Engle-Granger et vérifie si les résidus de la régression
de cointégration sont intégrés d’ordre 1, dans quel cas les variables ne seraient pas cointégrées,
ou d’ordre 0, ce qui signifierait que les variables sont cointégrées. En effet, si est stationnaire,
cela assure que les variables ne dévient pas hors du chemin vers l’équilibre à long-terme.
0
5
10
15
20
25
30
35
40
24-06-16 24-10-16 24-02-17 24-06-17 24-10-17 24-02-18
Niv
eau
de
la v
ari
ab
le
VFTSE
VSTOXX
VSTOXX-VFTSE
38
Les hypothèses testées par le test Engel-Granger sont les suivantes :
-
-
Les résultats obtenus du test Engel-Granger de cointégration sont :
L’hypothèse zéro de racine unitaire présente dans les résidus est donc rejetée à un seuil de 1%.
Pour pouvoir affirmer que les variables sont cointégrées, deux critères doivent être vérifiés : que
l’hypothèse de racine unitaire ne soit pas rejetée pour les variables individuelles et qu’elle soit
rejetée pour les résidus à partir de la régression de cointégration.
Puisque les deux critères de cointégration sont vérifiés, nos séries temporelles VFTSE et
VSTOXX® sont bien cointégrées et une relation long-terme existe entre celles-ci. Cette relation
est :
.
39
6.2.4. Modèle d’ECM adapté pour le Brexit
Engle et Granger (1987) ont démontré que si des variables sont cointégrées, il existe un
modèle de correction d’erreur (ECM) valide incorporant ces variables. L’ECM est un modèle
autorégressif incluant un terme de correction d’erreur pour les variables cointégrées qui
représente l’effet à long-terme de retour à l’équilibre qui existe entre ces variables. Ce modèle
permet de décrire comment ces variables X et Y se comportent à court-terme tout en incluant leur
relation cointégrée à long-terme. L’expression mathématique d’un ECM est la suivante :
Où X est la variable dépendante, est une constante, est un paramètre, Y est la variable
indépendante, est le coefficient de l’effet de retour à l’équilibre à long-terme, est le
terme de correction d’erreur et représente les résidus de la régression.
Appliqué au cas du Brexit et à notre problématique, le modèle mathématique peut se réécrire de
la façon suivante :
Où nous avons intégré une série représentant l’incertitude politique liée au Brexit au modèle de
base. Les 16 séries déterminées dans le point 6.2.1. de ce chapitre seront testées dans le modèle.
La significativité du paramètre sera déterminée par la p-value associée à ce paramètre (i.e.
pouvons-nous rejeter l’hypothèse nulle que la vraie valeur du paramètre est zéro ?). Celle-ci
sera calculée pour chacune des déclinaisons du modèle et nous permettra de valider ou non notre
hypothèse de départ, à savoir si l’incertitude politique liée au Brexit a un impact sur la volatilité
implicite du marché des actions au Royaume-Uni.
Avant de pouvoir tester notre modèle, il reste à déterminer le retard i dans afin
d’avoir la meilleure qualité pour notre modèle. Ce i correspond au retard spécifique pris par une
nouvelle politique avant d’avoir un impact sur la volatilité du marché des actions, si impact il y a.
Nous utilisons le critère d’information d’Akaike (AIC), le critère d’informations Bayesien (BIC)
et le critère d’Hannan-Quinn (HQC) pour déterminer le retard optimal à prendre dans les
déclinaisons du modèle d’ECM. Le détail de ces critères se trouve en annexe 4 et un retard d’un
jour sera utilisé dans le modèle puisqu’il permet de minimiser les critères AIC, BIC et HQC pour
la variable Brexit.
40
6.3. Résultats
Nous allons tester le modèle précédemment exposé pour les 16 séries représentant
l’incertitude politique liée au Brexit. Afin de simplifier les tests, la relation de cointégration est
remplacée par les résidus, puisqu’elle est égale à ceux-ci. Nous avons donc le modèle suivant :
Où représente les résidus de la régression de cointégration.
Nous avons d’abord estimé les différents paramètres à travers un modèle MCO18
. Pour huit des
16 déclinaisons de notre modèle, les paramètres de la variable BREXIT apparaissaient
significatifs. Cependant, le modèle MCO est basé sur plusieurs hypothèses difficiles à respecter
en pratique. Si ces hypothèses ne sont pas respectées, les écart-types des paramètres sont sous-
estimés, ce qui fausse leur significativité. Notamment pour les séries temporelles, l’hypothèse
d’homoscédasticité est généralement rejetée. Cette hypothèse veut que le terme d’erreur du
modèle de régression ait une variance constante, dans le cas contraire, on parle
d’hétéroscédasticité. (Stock et Watson, 2003)
Nous avons donc performé un test Breusch-Pagan sur nos 16 modèles pour vérifier la constance
de la variance dans les résidus du modèle. L’hypothèse est rejetée à un seuil de 1% pour les 16
déclinaisons du modèle, la significativité des paramètres est donc biaisée lorsqu’on les estime par
un modèle MCO. Pour éviter une fausse significativité des paramètres, nous avons estimé les
coefficients de l’ECM à l’aide d’un modèle MCO avec écart-types HAC19
qui permet d’être
consistant avec de l’hétéroscédasticité et de l’auto-corrélation dans les résidus, contrairement au
modèle MCO simple. L’hypothèse de multi-colinéarité est, quant à elle, respectée.
Les résultats20
obtenus pour la série reprenant le nombre de nouvelles politiques publiées
chaque jour sur Bloomberg News se trouvent dans le tableau 5.
18
MCO = Moindres Carrés Ordinaires. 19
HAC = Heteroskedasticity and Autocorrelation Consistent, ou en français Consistant à l’Hétéroscédasticité et
l’Auto-corrélation. 20
Le détail des résultats est disponible en annexe 5.
41
Tableau 5 : Résultats des régressions pour la série comportant le nombre de nouvelles
journalières21
BRENOM
Constante () -0,100392**
VSTOXX® ( ) 0,596345***
ût-1 () -0,322405***
BREXITt-1 ( ) 0,000466325***
AIC 1039,523
BIC 1056,048
HQC 1046,031
DW 2,26
Source : Création propre depuis les données obtenues sur Gretl
La constante et les paramètres (de VSTOXX®) et (des résidus de la régression de
cointégration) sont significatifs à un seuil de 5% ou moins pour la série représentant l’ensemble
des nouvelles d’actualité liées au Brexit sur Bloomberg News. Ceci signifie que l’on peut
admettre l’existence d’une relation à court-terme entre le VFTSE et le VSTOXX®, ainsi qu’un
mécanisme de retour à l’équilibre à long-terme. La relation à court-terme entre les deux séries,
représentée par , est positive. Par contre, le paramètre est négatif, ce qui est cohérent et désiré
dans un modèle de correction d’erreur puisque cela signifie que le processus converge bien vers
l’équilibre à long-terme. Ceci nous confirme la relation à long-terme entre les deux variables et
que le mécanisme de retour à l’équilibre fonctionne.
Le paramètre , représentant la relation entre la première différence de la volatilité implicite du
FTSE 100 et les nouvelles politiques négatives liée au Brexit, est significatif à un seuil de 1%. Le
nombre de nouvelles politiques liées au Brexit apparues sur Bloomberg de manière générale
impacte donc la volatilité du marché des actions au Royaume-Uni. Puisque ce paramètre est
positif, ces nouvelles impactent positivement la volatilité implicite. Ceci veut dire que lorsque des
nouvelles politiques liées au Brexit apparaissent, la volatilité du marché des actions au Royaume-
Uni augmente le lendemain de la publication.
Les résultats22
obtenus pour les dix séries de nouvelles négatives se trouvent dans le
tableau 6.
21
Dans le tableau, * indique la significativité à un seuil de 10%, ** à un seuil de 5% et *** à un seuil de 1%.
42
Tableau 6 : Résultats des régressions pour les dix séries de nouvelles négatives23
BREBIN-90 BREBIN-91 BREBIN-92 BREBIN-93 BREBIN-94
Constante () -0,0195508 -0,0180362 -0,0192582 -0,0153363 -0,0224929
VSTOXX® ( ) 0,58755*** 0,586865*** 0,587285*** 0,587335*** 0,588969***
ût-1 () -0,299463*** -0,297998*** -0,300016*** -0,300147*** -0,309355***
BREXITt-1 ( ) 0,216304 0,220684 0,257946 0,223631 0,400838*
AIC 1066,63 1066,76 1066,07 1067,16 1063,28
BIC 1083,15 1083,29 1082,59 1083,68 1079,81
HQC 1073,13 1073,27 1072,58 1073,67 1069,79
DW 2,25 2,25 2,25 2,25 2,23
BREBIN-95 BREBIN-96 BREBIN-97 BREBIN-98 BREBIN-99
Constante () -0,0194078 -0,0144838 -0,0197328 -0,0145686 -0,0108405
VSTOXX® ( ) 0,589252*** 0,58828*** 0,591779*** 0,590766*** 0,593398***
ût-1 () -0,307432*** -0,305355*** -0,312237*** -0,311596*** -0,314413***
BREXITt-1 ( ) 0,391311* 0,372262 0,733241** 0,640579* 0,947063
AIC 1064,25 1065,79 1059,15 1063,03 1062,48
BIC 1080,77 1082,31 1075,67 1079,55 1079,01
HQC 1070,76 1072,30 1065,66 1069,53 1068,99
DW 2,24 2,24 2,21 2,25 2,27
Source : Création propre depuis les données obtenues sur Gretl
La constante n’est pas significative à un seuil de 5%, elle ne doit donc pas être prise en compte
dans le modèle. Les paramètres (de VSTOXX®) et (des résidus de la régression de
cointégration) sont significatifs à un seuil de 1% pour toutes les déclinaisons du modèle. Les
explications données pour la série BRENOM concernant ces paramètres sont donc vérifiées dans
les différentes déclinaisons du modèle pour les nouvelles négatives.
Le paramètre est significatif à un seuil de 10% ou moins pour quatre des dix séries de nouvelles
négatives : BREBIN-94, BREBIN-95, BREBIN-97 et BREBIN-98. La série BREBIN-97 est
significative à un seuil de 5%. Pour ces centiles, les nouvelles politiques ont un impact positif sur
la volatilité implicite du FTSE 100 avec un retard d’un jour. Cela nous permet de
raisonnablement conclure à un certain impact positif des nouvelles politiques négatives liées au
Brexit sur la volatilité implicite du marché des actions au Royaume-Uni sur la période étudiée.
Néanmoins, cet impact dépend du choix arbitraire quant au centile utilisé pour la détermination
22
Le détail des résultats est disponible en annexe 5. 23
Dans le tableau, * indique la significativité à un seuil de 10%, ** à un seuil de 5% et *** à un seuil de 1%.
43
des « jours évènements ». Les centiles strictement inférieurs à 94 comportent plusieurs « jours
évènements » qui représentent en réalité les retombées des « jours évènements » les précédant, ce
qui explique pourquoi ces centiles ne sont pas significatifs. Quant au centile 99, celui-ci ne prend
en compte que l’impact direct suivant le vote puisqu’il n’est composé que des cinq jours suivant
directement le vote et ne représente pas la période de négociation.
L’AIC, le BIC et le HQC montrent que le modèle décliné avec la série BREBIN-97 est le
meilleur des dix pour la prédiction et l’explication de VFTSE puisqu’il a l’AIC, le BIC et le
HQC les plus bas.
Enfin, le critère de Durbin-Watson est proche d’une valeur de 2 dans toutes les déclinaisons du
modèle, ce qui signifie qu’il n’y a pas, ou peu, d’auto-corrélation dans les résidus du modèle.
Les résultats24
obtenus pour les cinq séries de nouvelles positives se trouvent dans le
tableau 7.
Tableau 7 : Résultats des régressions pour les dix séries de nouvelles positives10
BREBIN+90 BREBIN+91 BREBIN+92
BREBIN+93;
BREBIN+94
BREBIN+95;
BREBIN+96;
BREBIN+97
Constante () -0,00204166 0,00039803 0,00014362 0,00126646 0,00148205
VSTOXX® ( ) 0,584336*** 0,58402*** 0,583839*** 0,58314*** 0,583605***
ût-1 () -0,291873*** -0,293109*** -0,293202*** -0,293049*** -0,291536***
BREXITt-1 ( ) 0,0782761 -0,0968799 -0,116899 -0,332176 -0,542886
AIC 1069,403 1069,38 1069,383 1068,917 1068,477
BIC 1085,928 1085,905 1085,908 1085,442 1085,002
HQC 1075,91 1075,887 1075,89 1075,424 1074,984
DW 2,27 2,27 2,27 2,27 2,26
Source : Création propre depuis les données obtenues sur Gretl
Les séries BREBIN+93 et BREBIN+94 sont égales, tout comme les séries BREBIN+95,
BREBIN+96 et BREBIN+97. Les séries BREBIN+98 et BREBIN+99 ne sont pas représentées
car elles ne comportent que des 0.
Les mêmes conclusions que pour les nouvelles négatives peuvent être tirées concernant les
paramètres , et .
24
Le détail des résultats est disponible en annexe 5.
44
Le paramètre n’est significatif à un seuil de 5% pour aucun des cas. Il est donc raisonnable de
dire que les nouvelles politiques positives liées au Brexit n’ont pas d’impact sur la volatilité
implicite du marché des actions au Royaume-Uni pour la période étudiée.
L’AIC, le BIC et le HQC montrent que le modèle décliné avec la série BREBIN+95,
BREBIN+96 ou BREBIN+97, étant égales, est le meilleur des cinq pour la prédiction de
VFTSE puisqu’il a l’AIC, le BIC et le HQC les plus bas.
Ces résultats appuient également l’hypothèse 3 qui spécifie que les nouvelles favorables et
défavorables ont un impact différent sur la volatilité du marché des actions.
Les changements possibles pour cette méthodologie sont discutés dans le chapitre « Pistes
pour des recherches futures ».
45
7. Vérification de l’Hypothèse 2 : Méthodologie basée sur le modèle de
GARCH(1,1)
7.1. Problématique
Pour rappel, l’hypothèse 2 est que « l’impact de l’incertitude politique est spécifique aux
secteurs ». Une sous-hypothèse est également émise, celle-ci dit que « les secteurs les plus
impactés par l’incertitude politique sont les secteurs dépendant le plus des relations
internationales ».
Dans ce chapitre, le but est donc d’étudier l’impact sectoriel de l’incertitude politique liée
au Brexit, et de vérifier si oui ou non la volatilité des différents secteurs est impactée de manière
significativement différente par cette incertitude. Une fois de plus la période étudiée commence
au 24/06/2016 et se termine au 30/03/2018.
Pour ce faire, un modèle GARCH(1,1) est utilisé en intégrant une variable représentant
l’incertitude politique liée au Brexit afin de vérifier si celles-ci ont plus ou moins d’impact sur les
différents indices sectoriels.
Les étapes suivantes sont détaillées dans ce chapitre :
1. Définir les variables utilisées dans notre modèle,
2. Définir le modèle GARCH(p,q),
3. Appliquer le modèle GARCH(1,1) à notre cas, l’incertitude politique liée au Brexit.
A nouveau, toutes les données utilisées dans ce chapitre sont extraites de la plateforme
Bloomberg et nous utilisons le logiciel d’économétrie Gretl pour les traiter.
46
7.2. Développement de la méthodologie
7.2.1. Définition des variables
Les variables utilisées dans ce modèle sont les 18 indices de super-secteurs25
créés par
FTSE Russell (2018a) pour l’indice FTSE 350 et les indices quantitatifs représentant l’incertitude
politique liée au Brexit, déjà utilisés dans le chapitre précédent.
Les indices sectoriels seront utilisés sous leur forme de rendements logarithmiques. En
effet, ceux-ci présentent de nombreux avantages26
en comparaison aux rendements arithmétiques.
De plus, ce choix n’aura pas beaucoup d’impact sur les résultats puisque lorsque la fréquence des
observations est faible, les deux sortes de rendements sont approximativement égaux et dans
notre cas nous utilisons des données journalières. (Campbell, Lo, & MacKinlay, 1997)
Afin d’obtenir ces rendements, nous avons d’abord exporté les données de prix de rendement
total de fermeture de ces indices à partir de Bloomberg. Nous avons ensuite calculé le rendement
logarithmique comme suit :
Où est le rendement de l’indice i au temps t et est le prix de l’indice i au temps t.
Nous avons également calculé la volatilité historique annualisée en moyenne mobile sur 22 jours
pour chaque super-secteur de l’indice FTSE 350. Pour ce faire, nous avons pris l’écart type des
22 derniers rendements logarithmiques que nous avons multipliés par puisqu’il y a 252
trading days dans une année. Cela nous permet de représenter la volatilité historique et de la
comparer graphiquement avec la série BRENOM, représentant le nombre de nouvelles d’actualité
politique liées au Brexit. Ces graphiques27
montrent que la volatilité historique de certains super-
secteurs subissent un choc à des moments similaires à ceux de la série BRENOM, contrairement
à d’autres secteurs qui ne semblent pas réagir à la publication de ces nouvelles. Cette observation
semble appuyer l’hypothèse que nous vérifions dans ce chapitre.
25
La liste et le poids des 18 super-secteurs se trouvent en annexe 6. 26
Les rendements logarithmiques ne sont pas impactés par la fréquence de capitalisation, ils peuvent être
normalement distribués et sont additifs au cours du temps. (Campbell et al., 1997) 27
Les graphiques se trouvent en annexe 9.
47
Pour l’indice quantitatif représentant l’incertitude politique liée au Brexit, nous allons une
nouvelle fois différencier trois types de séries qui seront utilisées pour décliner le modèle :
- la série générale de nouvelles, ne différenciant pas les nouvelles positives des nouvelles
négatives,
- une série de nouvelles négatives, et
- une série de nouvelles positives.
Puisque nous avons déjà testé nos dix séries de nouvelles négatives et nos cinq séries de
nouvelles positives, nous allons en sélectionner une de chaque catégorie par rapport à sa
modélisation dans le chapitre précédent.
Nous avons vu que la série BREBIN-97 était la plus performante des séries de nouvelles
négatives lorsque nous modélisions la volatilité implicite du FTSE 100 puisqu’elle avait l’AIC, le
BIC et l’HQC les plus bas. C’est également le cas pour BREBIN+95 dans les séries de nouvelles
positives. Même si la série BREBIN+95 n’avait pas d’impact significatif sur la volatilité implicite
du FTSE 100, celle-ci pourrait avoir un impact spécifique sur un ou plusieurs secteurs. Ce sont
donc ces deux séries, en plus de la série BRENOM, que nous utiliserons dans les déclinaisons de
notre modèle GARCH(1,1).
7.2.2. Modèle GARCH(p,q)
Engle a développé le modèle ARCH en 1982 qui a pour but de modéliser
l’hétéroscédasticité (ou la non-constance de la variance des résidus) du processus autorégressif
présent dans les résidus des séries temporelles. En effet, les séries chronologiques ont
généralement des périodes successives de variances élevées, ainsi que des périodes de variances
faibles se succédant. Le modèle ARCH permet donc d’attribuer un poids supérieur aux
observations récentes par rapport aux observations plus éloignées dans le temps dans l’estimation
de la volatilité, contrairement au calcul classique de la volatilité.
48
D’après Hurlin (2007), le modèle ARCH(q), où q est le nombre de retards des résidus historiques
à prendre en compte, s’écrit comme suit :
Où yt représente le rendement au temps t, est la moyenne des rendements, ut représente les
résidus de l’équation de moyenne au temps t, t désigne un bruit blanc faible et est i.i.d.28
de
moyenne 0 et de variance 1, σt est l’écart-type des rendements au temps t, est une constante et
i est le paramètre correspondant au rendement carré au temps t-i.
Ensuite Bollerslev (1986) a élargi ce processus pour permettre à de dépendre de ses
propres observations historiques en plus des valeurs historiques des erreurs au carré avec le
modèle GARCH(p,q), où p est l’ordre d’auto-régression et q l’ordre des erreurs historiques à
prendre en compte.
Mathématiquement, il s’écrit comme suit :
Où la variable indépendante supplémentaire est la variance au temps t-j, associée au
paramètre j et 0, 0 et j 0.
28
i.i.d. = Indépendamment et Identiquement Distribués.
49
Les modèles basiques de ARCH(q) et GARCH(p,q) sont ARCH(1) et GARCH(1,1) dont les
équations sont respectivement :
et
.
Les modèles GARCH ont un mécanisme de retour à la moyenne qui fait que la variance à court-
terme tend vers la variance à long-terme à travers le temps. Pour le GARCH (1,1), ce mécanisme
est donné par (1-- ) et = (1-- )VL, où VL est la variance à long-terme. Plus le terme (1-- )
est élevé, plus le mécanisme de retour à la moyenne est rapide. (Hübner, 2017)
7.2.3. Modèle GARCH(1,1) adapté au Brexit
Afin de mesurer l’impact de l’incertitude politique liée au Brexit sur les différents
secteurs, nous avons intégré une variable BREXIT définie dans le chapitre précédent comme
variable explicative à notre modèle GARCH(1,1). Un modèle GARCH où une variable
indépendante externe est ajoutée s’appelle un modèle GARCH-X29
. Le modèle se décline
dorénavant de la manière suivante :
Où est un paramètre de la régression et représente l’ampleur de l’impact de l’incertitude
politique liée au Brexit pour la période étudiée. Plus sera grand, plus l’incertitude politique liée
au Brexit aura un impact positif sur la volatilité du secteur étudié pendant la période étudiée. Si
ce paramètre est négatif, la variable liée diminuera la volatilité du secteur. Enfin, si sa p-value
montre qu’il n’est pas significativement différent de zéro, l’impact sera considéré nul.
Ce modèle va être testé sur chaque secteur séparément pour les nouvelles politiques positives et
négatives, comme cela a été fait dans le chapitre précédent.
7.3. Résultats
Comme nous l’avons fait pour l’hypothèse 1, nous commençons par analyser la
corrélation existante entre les variables du modèle. Ici, nous regardons la corrélation entre les
rendements carrés des différents secteurs et la variable BRENOM dans le tableau 8. Pour une
meilleure lisibilité, nous montrons uniquement la corrélation entre BRENOM et chaque secteur
dans ce tableau, la corrélation entre les différents secteurs se trouve en annexe 8.
29
GARCH-X = GARCH-Extended, ou en français GARCH-Étendu.
50
Tableau 8 : Matrice de corrélation des rendements carrés des différents secteurs et de la variable
BRENOM entre le 24/06/2016 et le 30/03/2018
BRENOM
FTSE 350 75%
Technologie 4%
Produits chimiques 31%
Santé 21%
Automobile 5%
Ressources essentielles 8%
Construction et matériaux 41%
Nourriture et boissons 8%
Services financiers 81%
Biens et services industriels 74%
Assurance 91%
Media 67%
Pétrole et gaz 9%
Biens ménagers et personnels 18%
Commerces de détail 85%
Télécommunication 33%
Voyage et loisirs 66%
Banques 85%
Services publics 25%
Source : Elaboration propre à partir de données Bloomberg
Ces résultats renforcent notre hypothèse spécifiant que les secteurs sont différemment impactés
par l’incertitude politique. En effet, nous observons que certains rendements carrés de secteurs
sont très significativement corrélés avec notre indice d’incertitude politique et pour d’autres
secteurs, il n’existe pas de corrélation significative avec celui-ci.
Nous estimons ensuite les paramètres de notre modèle à l’aide des estimateurs de quasi-
maximum de vraisemblance (QMLE30
) de Gretl. Le modèle GARCH utilise par défaut des
estimateurs de maximum de vraisemblance sous une hypothèse de normalité et si celle-ci est
vérifiée, la matrice de covariance peut être estimée par une matrice hessienne. Puisque notre
modèle ne remplit pas l’hypothèse de normalité, nous utilisons des estimateurs « Sandwichs »
pour remplacer la matrice hessienne. Ceux-ci fournissent des écarts-types robustes et un modèle
30
QMLE = Quasi Maximum Likelihood Estimators, ou en français Estimateurs de Quasi-Maximum de
Vraisemblance.
51
de quasi-maximum de vraisemblance, où l’hypothèse de normalité n’importe plus. La p-value de
l’estimation trouvée pour chaque paramètre nous permet de définir si les variables explicatives
associées aux différents paramètres ont un impact significatif sur la variable dépendante, ici la
volatilité de l’indice sectoriel étudié.
Nous avons tout d’abord vérifié si les paramètres étaient significatifs pour la volatilité de l’indice
FTSE 350 dans son ensemble avec le modèle sans variable BREXIT ainsi qu’avec chacune des
déclinaisons du modèle avec les trois séries de nouvelles d’actualité, dont les résultats se trouvent
dans le tableau 9.
Tableau 9 : Résultats des régressions pour l’indice FTSE 35031
BRENOM_1 FTSE 350
(sans BREXIT) BRENOM BREBIN-97 BREBIN+95
Constante () 0,000541758* 0,000541758* 0,000541758* 0,000541758*
Constante () 8,428E-06*** 8,21E-06 1,36E-05 8,458E-06***
ut-1
2 () 0,153655*** 0,230325*** 0,154794*** 0,154586***
t-1
2 ( ) 0,615897*** -0,0534604 0,440952* 0,613855***
BREXITt-1 () - 1,279E-07*** 1,353E-04* 4,34E-06
Maximum de
vraisemblance 1698,64472 1723,59157 1709,08093 1698,66734
AIC -3389,28944 -3437,18314 -3408,16186 -3391,33468
BIC -3372,75584 -3416,51615 -3387,49487 -3374,66769
HQC -3382,77944 -3429,04565 -3400,02438 -3385,19719
Source : Création propre depuis les données obtenues sur Gretl
Nous obtenons pour le modèle simple GARCH(1,1) que l’effet ARCH () et l’effet GARCH ( )
sont significatifs à un seuil de 1% pour la prédiction de la variance du FTSE 350. Cela signifie
que la variance d’aujourd’hui du FTSE 350 est prédite par la variance d’hier et par les
rendements carrés d’hier. De plus, nous obtenons une variance long-terme de
, ce qui correspond à une volatilité annuelle de 9,75%, avec un mécanisme de retour à la
moyenne de , qui représente la vitesse à laquelle la variance court-terme
rejoint la variance long-terme.
31
Dans le tableau, * indique la significativité à un seuil de 10%, ** à un seuil de 5% et *** à un seuil de 1%.
52
Lorsque nous ajoutons une variable externe représentant l’incertitude politique liée au Brexit au
modèle afin d’obtenir un GARCH-X(1,1), le modèle s’améliore puisque nous obtenons des
critères AIC, BIC et HQC inférieurs dans chacun des cas où la variable BREXIT a été intégrée.
Les paramètres représentant l’effet ARCH et l’effet GARCH changent puisqu’une partie de ceux-
ci peut-être expliquée par la série BREXIT. Nous allons donc nous concentrer sur le paramètre
représentant l’incertitude politique liée au Brexit, puisque c’est ce qui nous intéresse en priorité.
On peut voir pour l’indice FTSE 350 que les résultats sont consistants avec les résultats obtenus
dans le chapitre précédent :
- les nouvelles politiques liées au Brexit dans leur ensemble impactent positivement la
volatilité du marché des actions au Royaume-Uni pour la période étudiée,
- il existe un impact à un seuil de 10% des nouvelles négatives liées au Brexit sur le marché
des actions au Royaume-Uni pour la période étudiée, et
- aucun impact n’est détecté pour les nouvelles politiques positives liées au Brexit.
Nous nous intéressons maintenant à l’impact sur les différents secteurs. Encore une fois,
nous nous concentrons principalement sur le paramètre qui représente la variable d’intérêt,
l’incertitude politique liée au Brexit.
Les résultats32
obtenus pour la série reprenant le nombre de nouvelles politiques publiées chaque
jour sur Bloomberg News se trouvent dans le tableau 10.
32
Le détail des résultats est disponible en annexe 8.
53
Tableau 10 : Résultats des régressions pour la série comportant le nombre de nouvelles
journalières33
Technologie
Produits
chimiques Santé Automobile
Ressources
essentielles Construction
et matériaux
Constante () 5,413E-04*** 4,857E-05*** 6,065E-05*** 0,000194303*
Critère de
convergence
non-respecté
0,00003952**
- () -0,003498*** 0,0323514 0,217857** 0,00621365 0,059268
- ( ) 0,990012*** 0,209005** 0,113164 0,298927*** 0,51818***
BRENOMt-1
() 2,660E-08*** 2,857E-07*** 1,24903E-07* 1,08E-07 9,38589E-08*
Nourriture et
boissons Services
financiers B&S
industriels Assurance Media Pétrole et gaz
Constante () 4,257E-05*** 4,55E-06 8,21688E-06* 9,82E-06 5,89E-06 6,64E-06
- () 0,21807 0,258523*** 0,209343*** 0,163405*** 0,274413** 0,118184**
- ( ) 0,131427* 0,0425487 0,40248*** 0,251597 0,381181** 0,518578**
BRENOMt-1
() 7,67E-08 1,472E-07*** 6,29994E-08* 2,373E-07*** 9,119E-08** 2,03E-07
Biens
ménagers et
personnels
Commerces
de détail Télécommuni
cation Voyage et
loisirs Banques
Services
publics
Constante () 6,826E-05*** 1,36E-05 1,49E-05 8,28E-06 1,13E-05 3,367E-05***
- () 0,125026*** 0,0589776 0,140678 0,0848443* 0,11246** 0,326633***
- ( ) 0,369072** 0,360749 0,115133 0,400302** 0,405499* 0,119898
BRENOMt-1
() 1,88E-07 1,821E-07*** 3,46E-07 1,075E-07*** 2,19491E-07* 7,15E-08
Source : Création propre depuis les données obtenues sur Gretl
Sept des 18 secteurs que nous analysons ont une variable BRENOM significative à un seuil de
5% ou moins : le secteur de la technologie, des produits chimiques, des services financiers, des
assurances, du commerce de détail, du voyage et loisirs et des médias. Cela signifie que la
volatilité de ces secteurs est impactée par le nombre de nouvelles politiques liées au Brexit étant
apparues sur Bloomberg News le jour précédent. De plus, le paramètre est positif pour ces
secteurs, ce qui signifie que plus il y a de nouvelles politiques liées au Brexit en t-1, plus la
volatilité du secteur augmente en t. Dans ces sept secteurs, nous retrouvons les secteurs
dépendant fortement des relations internationales, ce qui renforce notre sous-hypothèse de départ
qui supposait que les secteurs dépendant des relations internationales sont plus impactés que les
autres.
33
Dans le tableau, * indique la significativité à un seuil de 10%, ** à un seuil de 5% et *** à un seuil de 1%.
54
Ensuite les secteurs de santé, constructions et matériaux, biens et services industriels et banques
sont impactés significativement à un seuil de 10%, ce qui est généralement considéré moins
fiable.
Si nous isolons les « jours évènements » négatifs via la variable BREBIN-97t-1 comme
variable représentant l’incertitude politique liée au Brexit, nous obtenons les résultats34
se
trouvant dans le tableau 11.
Tableau 11 : Résultats des régressions pour la série BREBIN-9735
Technologie Produits
chimiques Santé Automobile
Ressources
essentielles Construction
et matériaux
Constante () 1,11E-06 1,92E-05 9,156E-05*** 0,00027363**
Critère de
convergence
non-respecté
5,1081E-05**
- () 0,0821095 0,0795604 0,159647*** 0,00966698 0,103675
- ( ) 0,944797*** 0,681561*** 0,188125** 0,0766168 0,502928***
BREBIN-97t-1
() 9,17E-05 7,83E-05 3,082E-04*** 6,89E-04 0,00030271
Nourriture et
boissons Services
financiers B&S
industriels Assurance Media Pétrole et gaz
Constante () 2,13E-05 1,891E-05*** 1,8754E-05** 5,57601E-05* 1,89803E-05* 5,51E-06
- () 0,20977** 0,247269*** 0,225136*** 0,175658*** 0,269695** 0,0752438
- ( ) 0,449295 0,194007 0,376552** 0,124672 0,397223* 0,872122***
BREBIN-97t-1
() 5,11E-05 5,34E-04 1,98E-04 0,00153556 2,85E-04 4,92E-05
Biens
ménagers et
personnels
Commerces
de détail Télécommuni
cation Voyage et
loisirs Banques
Services
publics
Constante () 8,325E-05*** 6,088E-05*** 1,468E-05*** 3,67E-05 8,178E-05*** 4,617E-05***
- () 0,168867*** 0,180371*** 0,0894832 0,0953347* 0,153488** 0,335439***
- ( ) 0,222659*** 0,00902327 0,732398*** 0,164078 0,0184124 0,095874
BREBIN-97t-1
() 2,331E-04*** 9,84E-04 5,33E-04 4,82E-04 1,14E-03 1,77841E-04*
Source : Création propre depuis les données obtenues sur Gretl
Seuls deux secteurs semblent avoir leur volatilité impactée positivement par la variable BREBIN-
97 : le secteur de la santé et celui des biens ménagers et personnels, significatifs à un seuil de 1%.
De plus le secteurs des services publics semble impacté à un seuil de 10%. Ceci confirme
l’hypothèse que les secteurs sont impactés différemment par l’incertitude politique liée au Brexit
34
Le détail des résultats est disponible en annexe 8. 35
Dans le tableau, * indique la significativité à un seuil de 10%, ** à un seuil de 5% et *** à un seuil de 1%.
55
pour la période étudiée mais pas la sous-hypothèse stipulant que ces secteurs sont ceux dépendant
des relations internationales.
Nous avons ensuite isolé les nouvelles diminuant l’incertitude politique liée au Brexit par la série
BREBIN+95. Les résultats obtenus pour le modèle GARCH-X(1,1) utilisant cette série se
trouvent dans le tableau 12.
Tableau 12 : Résultats des régressions pour la série BREBIN+9525
Technologie Produits
chimiques Santé Automobile
Ressources
essentielles Construction
et matériaux
Constante () 1,47E-06 9,50522E-06* 7,15E-05 8,16802E-06* 3,67E-06 4,1156E-05**
- () 0,00680488 0,0822039* 0,201821* 0,0032203 0,0242137*** 0,197315
- ( ) 0,985518*** 0,80915*** 0,04483 0,960633*** 0,96182*** 0,526058***
BREBIN+95t-1
() 9,02E-04 -6,19E-05*** 7,04E-05 1,13E-03 -7,84E-05 -6,18E-06
Nourriture et
boissons Services
financiers B&S
industriels Assurance Media Pétrole et gaz
Constante () 1,44876E-05* 5,478E-06*** 1,153E-05*** 1,23E-05 1,3396E-05** 2,11E-05
- () 0,188898* 0,201953*** 0,213028*** 0,113551 0,305426* 0,138346**
- ( ) 0,598456*** 0,660834*** 0,56423*** 0,744299*** 0,51196*** 0,687096***
BREBIN+95t-1
() -5,19E-05*** -7,57E-06 -2,1E-05*** -1,84E-05 -2,58E-06 -2,17E-05
Biens
ménagers et
personnels
Commerce de
détail Télécommuni
cation Voyage et
loisirs Banques
Services
publics
Constante () 2,83E-05 1,63E-05 2,22E-05 1,069E-05*** 1,57E-05** 4,038E-05***
- () 0,120924 0,108152 0,241721 0,141354** 0,116333** 0,365763***
- ( ) 0,547272 0,690188*** 0,590565 0,663629*** 0,730581*** 0,188613
BREBIN+95t-1
() -7,78E-05*** -4,44E-05*** -6,52E-05 -5,82E-06 4,25E-05 -5,145E-05***
Source : Création propre depuis les données obtenues sur Gretl
Les secteurs des produits chimiques, de la nourriture et boissons, des biens et services industriels,
des biens ménagers et personnels, du commerce de détail et des services publics voient leur
volatilité diminuer avec les nouvelles politiques diminuant l’incertitude politique liée au Brexit
sur la période étudiée. Ceci confirme à nouveau que les secteurs sont différemment impactés par
les nouvelles politiques.
Finalement, tous ces résultats confirment l’hypothèse 3 qui stipule que les nouvelles positives et
les nouvelles négatives ont des impacts différents sur la volatilité du marché des actions.
57
8. Dimension éthique
Nous adressons dans ce chapitre les différentes dimensions concernant l’éthique derrière
notre question de recherche. Nous allons voir en quoi ce mémoire participe aux dimensions
éthiques qui se trouvent dans notre recherche et comment celui-ci pourrait les aborder de manière
plus profonde.
D’après le Petit Robert (Collectif, 2016a, p. 945), l’éthique est un « ensemble des valeurs,
des règles morales propre à un milieu, une culture, un groupe ». Les dimensions éthiques en lien
avec notre recherche sont l’éthique sur les marchés financiers et l’éthique dans les médias.
La première dimension est concernée puisqu’on s’intéresse à l’impact de l’incertitude
politique sur le marché des actions, ou autrement dit sur les décisions d’investissement des
différents acteurs agissant sur ce marché. Le CFA36
Institute est une référence dans le monde de
la finance. Cet institut a publié « le Code d’éthique et les Normes de conduite professionnelle »
pour décrire les « valeurs fondamentales » qui concernent les « professionnels de l’investissement
dans le monde entier ». (Chartered Financial Analyst Institute, 2014, p.1) Ce code contient sept
chapitres différents qui sont les suivants :
1. Professionnalisme,
2. Intégrité des marchés financiers,
3. Obligations envers les clients,
4. Obligations envers les employeurs,
5. Analyse financière, conseils et opérations de placement,
6. Conflits d’intérêts, et
7. Responsabilités en tant que membre du CFA Institute ou candidat CFA.
Parmi ceux-ci, deux chapitres nous intéressent particulièrement. D’abord, dans le chapitre sur
l’intégrité des marchés financiers, il est stipulé qu’il est interdit d’agir en fonction d’informations
reçues de manière privée. Ensuite, les opérations doivent être effectuées en priorité pour les
clients et employeurs, plutôt que pour les membres du CFA Institute, comme écrit dans le
chapitre sur les conflits d’intérêts. Ceci permet de garantir qu’aucune information n’est censée
36
CFA = Chartered Financial Analyst, ou en français Analyste Financier Agréé.
58
être utilisée à des fins uniquement privées, chaque membre agit de la même manière pour ses
clients qu’il agirait pour lui-même.
Dans notre méthodologie, nous n’avons traité que les informations publiques. Nous nous sommes
basés sur le principe que personne n’a eu accès à des informations privées concernant la politique
liée au Brexit et que les informations politiques ne pouvaient être annoncées que par des
nouvelles publiées et accessibles par tous. De plus, nous avons considéré que si une information
privée était obtenue, celle-ci n’était pas utilisée.
Le fait d’avoir obtenu des impacts significatifs des nouvelles amenant de l’incertitude politique
liée au Brexit sur le marché des actions au Royaume-Uni nous rassure sur le fait qu’une partie au
moins des investisseurs suit ces principes. En effet, si les investisseurs se basaient sur des
informations reçues de manière privée, les évènements politiques amenant de l’incertitude
n’auraient pas d’impact sur le marché des actions une fois publiés puisque les investisseurs
auraient réagi avant la publication des informations. Ce point soutient la dimension d’éthique des
marchés financiers.
La dimension d’éthique dans les médias occupe également une place importante dans les
résultats de notre question de recherche. En effet, comme déjà dit, nous basons notre indice
quantitatif représentant l’incertitude politique liée au Brexit sur les nouvelles d’actualités. Il
existe beaucoup de codes d’éthique pour les médias mais les principes derrière ceux-ci sont
généralement les mêmes, comme le rapporte l’EJN37
(n.d.). Les cinq principes mondiaux
d’éthique dans le journalisme sont les suivants :
1. Vérité et précision,
2. Indépendance (vis-à-vis de la politique, des entreprises et de la culture),
3. Equité et impartialité,
4. Humanité, et
5. Responsabilité.
Malgré les codes existants pour ces principes, il est rare que ceux-ci soient toujours respectés et il
existe plusieurs raisons à cela. Tout d’abord il arrive qu’un journaliste n’ait pas accès à
37
EJN = Ethical Journalism Network, ou en français Réseau de Journalisme Ethique.
59
l’information complète et donc qu’il lui soit difficile d’être précis dans ses propos. Ensuite, un
journaliste ne pèse pas toujours l’impact des mots qu’il utilise sur ses lecteurs et certains mots
peuvent induire une certaine subjectivité dans un article. Finalement, chaque journaliste est
attaché à un journal. Ce qui ajoute de la valeur à un journal est son nombre de lecteurs et un
moyen d’augmenter ce nombre est d’utiliser des termes « accrocheurs » dans le titre et dans le
texte. Ceci pousse le journaliste à utiliser des mots qui font vendre et qui amènent à nouveau de la
subjectivité et des sentiments dans un article. Tout ceci conduit à un problème d’éthique souvent
lié aux médias qui est le rapport d’informations incomplètes, erronées ou subjectives.
L’incertitude politique liée au Brexit, telle qu’elle est traitée dans ce mémoire, n’est représentée
que par les nouvelles d’actualité politique. Ces nouvelles font certainement l’objet d’exagération
et d’informations erronées de la part des journalistes et ne repose pas sur des bases d’objectivité
et de scientificité. C’est à ces informations que les investisseurs ont accès et c’est généralement
sur base de ces informations qu’ils se font une idée sur l’état de la politique dans le pays mais
cela ne signifie pas qu’elles représentent l’incertitude politique réelle régnant au Royaume-Uni en
temps de Brexit. Malgré que nos tentatives d’adresser ce problème en nous limitant aux nouvelles
d’actualité de Bloomberg News, qui rapporte de l’information financière et qui est réputé dans le
domaine, le fait de nous baser uniquement sur des nouvelles d’actualité soulève un problème
éthique et ne règle pas les différentes complications abordées dans le paragraphe précédent. Ce
problème pourrait être résolu dans l’étape de création d’indice quantitatif pour l’incertitude
politique soit en traitant chaque nouvelle une à une afin de vérifier que les cinq principes cités ci-
dessus sont respectés, soit en représentant l’incertitude politique d’une manière différente.
61
Conclusion
L’incertitude politique régnant au Royaume-Uni a augmenté suite au résultat en faveur du
Brexit en juin 2016. Plusieurs évènements post-référendum, tels que l’invocation de l’Article 50
ou un discours négatif de la part de Theresa May, ont affecté le monde politique britannique et sa
stabilité aux yeux des citoyens, mais pas seulement. En effet, les résultats de cette étude suggère
que les fluctuations des prix des actions britanniques sont dues en partie à des évènements
d’ordre politique, tels que ceux mentionnés précédemment.
La plupart des chercheurs qui étudient l’impact de l’incertitude politique sur la volatilité
d’un certain marché des actions aboutissent au même résultat : le marché des actions est plus
volatile en période de plus grande incertitude politique. Au travers de ce mémoire, nous l’avons
vérifié pour celle liée au Brexit sur le marché des actions britanniques à l’aide du développement
des modèles d’ECM et GARCH-X(1,1).
Nous observons un choc positif du nombre de nouvelles politiques liées au Brexit sur la
volatilité implicite du FTSE 100 et la volatilité conditionnelle du FTSE 350. Lors des « jours
évènements » accroissant l’incertitude politique, considérés comme « jours évènements négatifs »
dans cette recherche, nous trouvons également un impact positif significatif sur la volatilité
implicite du FTSE 100 et la volatilité conditionnelle du FTSE 350. Néanmoins, cet impact est
moins significatif que lorsque le nombre de nouvelles politiques liées au Brexit est considéré de
manière générale. Nous ne découvrons par contre pas d’impact significatif pour les « jours
évènements positifs », diminuant l’incertitude politique, sur la volatilité implicite de l’indice
FTSE 100, ni sur la volatilité conditionnelle du FTSE 350 dans leur globalité. Ceci confirme
notre première hypothèse. En effet, l’augmentation de l’incertitude politique liée au Brexit a
impacté la volatilité implicite et conditionnelle du marché des actions au Royaume-Uni pendant
la période post-référendum jusqu’au premier anniversaire des négociations.
La littérature nous montre que l’incertitude politique influence les secteurs de manière
différente. De plus, les relations internationales représentent une grande partie du revenu
britannique mais aussi un des points majeurs restant à aborder pendant la période de négociations
de la sortie du Royaume-Uni. Selon la littérature, les relations internationales jouent un rôle dans
l’impact de l’incertitude politique sur le marché des actions puisqu’il est souvent mentionné que
62
celle-ci a un impact plus conséquent sur les secteurs dépendant de ces relations. Seuls certains
secteurs sont concernés au Royaume-Uni, il était donc intéressant de connaître l’impact sectoriel
de l’incertitude politique liée au Brexit, analysé grâce à un modèle GARCH-X(1,1).
Le nombre de nouvelles politiques liée au Brexit de manière générale impacte
positivement la volatilité des cinq (sur 18) secteurs britanniques les plus exposés à l’exportation :
le secteur de la technologie, des produits chimiques, des services financiers, des assurances et du
voyage et loisirs. Deux autres secteurs sont affectés de manière similaire par les nouvelles
politiques : les secteurs du commerce de détail et des médias. Lorsque nous isolons les nouvelles
négatives et positives, nous obtenons des résultats différents. Les secteurs impactés par les
nouvelles négatives liées au Brexit voient leur volatilité augmenter, contrairement aux secteurs
significativement influencés par les nouvelles positives qui voient leur volatilité diminuer.
L’impact de l’incertitude politique diffère donc en fonction des secteurs.
Il a été également démontré dans de nombreuses études empiriques passées que les
nouvelles politiques favorables et défavorables pouvaient avoir un impact différent sur la
volatilité du marché des actions. L’étude d’impact sur la volatilité implicite du FTSE 100 et la
volatilité conditionnelle du FTSE 350 ainsi que l’étude sectorielle confirment cette hypothèse.
A l’heure actuelle, l’état du marché des actions à la sortie du Royaume-Uni n’est
cependant pas certain. La période en cours de négociations concerne l’état des relations
internationales post-Brexit et risque d’engendrer de l’incertitude quant au futur des entreprises
britanniques dans les mois à venir. De plus, ce pays n’est actuellement pas autorisé à créer des
accords de commerce bilatéraux avec des Etats membres de l’UE. De nombreuses décisions ont
déjà surpris les investisseurs et si une décision telle que l’autorisation de créer des accords de ce
type est prise pendant les négociations, une nouvelle source d’incertitude pourrait se créer.
Toutefois, il est important de noter qu’il est possible de diminuer cette incertitude et qu’il
est de la responsabilité des politiques eux-mêmes de mettre tout en œuvre afin de limiter
l’incertitude politique et l’impact s’y afférant. Les entreprises peuvent également travailler sur
leur communication afin de limiter l’impact sur la volatilité du prix de leurs actions en cas
d’incertitude politique. Enfin, il est clair que les médias ont également un rôle à jouer dans cette
limitation d’impact.
63
En conclusion, l’incertitude politique liée au Brexit a eu un impact sur la volatilité du
marché des actions britanniques pendant la période qui a suivi le référendum et durant la
première année de négociations. Néanmoins, il est difficile de prédire la volatilité future de ce
marché ainsi que l’impact éventuel de l’incertitude politique liée au Brexit sur celle-ci.
Pistes pour des recherches futures
Il serait possible d’apporter des modifications à ce travail pour vérifier la robustesse des
résultats trouvés. Plusieurs sujets abordés rapidement dans ce mémoire pourraient également être
approfondi dans une étude future. Ce sont de ces pistes de futures recherches que nous discutons
dans cette partie.
La variable quantitative représentant l’incertitude politique liée au Brexit basée sur la
« couleur » des nouvelles politiques a été définie de manière qualitative car le nombre de « jours
évènements » était faible et permettait de le faire. Une période plus longue pourrait être étudiée,
comportant plus de « jours évènements », et dans le but d’approcher au mieux l’exactitude de
cette « couleur » favorable ou défavorable, une analyse latente sémantique pourrait être menée.
Cette technique traite les langues naturelles et permet de déterminer la nature d’un texte en
fonction de mots introduits dans l’algorithme. Elle est souvent utilisée pour l’analyse des
nouvelles d’actualité dans le but de différencier les nouvelles positives des nouvelles négatives.
De plus, nous avons supposé la linéarité dans la relation entre nos variables représentant
l’incertitude politique liée au Brexit et la volatilité implicite du FTSE 100 dans la vérification de
l’hypothèse 1 ainsi que la volatilité des indices sectoriels du FTSE 350 dans la vérification de
l’hypothèse 2. Une future recherche pourrait remettre cette linéarité en cause en testant celle-ci et
en performant une transformation des variables dans le cas où les tests montreraient une non-
linéarité.
Ensuite, nous avons choisi d’utiliser un modèle GARCH-X(1,1) simple mais plusieurs
extensions de ce modèle ont déjà été proposées par d’autres auteurs, comme le EGARCH38
. Ces
extensions de modèle pourraient être testées afin de définir lequel serait le plus approprié à
l’étude afin d’appuyer, ou non, les résultats obtenus.
Finalement, cette étude s’arrête au milieu de la période de négociations et ne peut donc
prendre en compte l’intégralité des impacts que le Brexit a et aura sur le marché des actions
britanniques. Il serait intéressant d’étudier l’impact du Brexit une fois cette période de
négociations passée dans une recherche future. Certains évènements ou certaines annonces faites
pendant la période déjà étudiée pourraient avoir des retombées après cette période, puisque ce
n’est que plus tard que les décisions prises pendant les deux années seront applicables.
38
EGARCH = Exponential GARCH, ou en français GARCH Exponentiel.
Liste de références
Acker, D., & Duck, N. (2015). Political risk, investor attention and the Scottish Independence
referendum. Finance Research Letters, 13, 163-171. Retrieved 12/02/2018 from
http://www.bristol.ac.uk/
Aussenegg, W., Goetz, L., & Jelic, R. (2013). European ‘fear’ indices – Evidence before and
during the financial crisis. SSRN Electronic Journal. doi:10.2139/ssrn.2267903
Baker, S., Bloom, N., & Davis, S. (2016). Measuring economic policy uncertainty. The Quarterly
Journal of Economics, 131(4), 1593–1636. doi:10.1093/qje/qjw024
Beaulieu, M.-C. , Cosset, J.-C., & Essaddam, N. (2006). Political uncertainty and stock market
returns: evidence from the 1995 Quebec referendum. Canadian Journal of Economics, 39(2),
621-642. doi:10.1111/j.0008-4085.2006.00363.x
Bloomberg
Bouoiyour, J., & Selmi, R. (2016). The price of political uncertainty: Evidence from the 2016
U.S. presidential election and the U.S. stock markets. Cornell University, New York.
Retrieved 12/02/2018 from https://arxiv.org/abs/1612.06200
Boutchkova, M., Doshi, H., Durnev, A., & Molchanov, A. (2012). Precarious politics and return
volatility. The Review of Financial Studies, 25(4), 1111-1154. Retrieved 13/04/2018 from
http://www.jstor.org/stable/41407857
Brown, K., Harlow, W., & Tinic, S. (1988). Risk aversion, uncertain information, and market
efficiency. Journal of Financial Economics, 22, 355–385. doi:10.1016/0304-405X(88)90075-
X
Campbell, J., Lo, A., & MacKinlay, A. (1997). The econometrics of financial markets. Princeton,
NJ: Princeton University Press.
Cazan, S. (2017). Brexit implications over the England banking system – An event study
approach. Journal of Public Administration, Finance and Law, 11, 81-92. Retrieved
28/11/2017 from http://www.jopafl.com/issue11.html
Chartered Financial Analyst Institute (CFA Institute). (2014). Le code d’éthique et les normes de
conduite professionnelle. Retrieved 24/05/2018 from
https://www.cfainstitute.org/ethics/codes/code-of-ethics-and-standards-of-professional-
conduct
Chan, Y., & Wei, K. (1996). Political risk and stock price volatility: The case of Hong Kong.
Pacific-Basin Finance Journal, 4(2-3), 259-275. doi:10.1016/0927-538X(96)00014-5
Chatfield, C. (1975). The analysis of time series : theory and practice. London, United Kingdom:
Chapman and Hall.
Chau, F., Deesomsak, R., & Wang, J. (2014). Political uncertainty and stock market volatility in
the Middle East and North African (MENA) countries. Journal of International Financial
Markets, Institutions and Money, 28(C), 1-19. doi:10.1016/j.intfin.2013.10.008
Chen, Y., Mantegna, R., Pantelous, A., & Zuev, K. (2018). A dynamic analysis of S&P 500,
FTSE 100 and EURO STOXX® 50 indices under different exchange rates. PLoS One, 13(3).
doi:10.1371/journal.pone.0194067
Chu, B. (2016, June 24). Brexit: 'Black Friday' for financial markets sparked by EU referendum
vote. Independent. Retrieved 28/11/2017 from
https://www.independent.co.uk/news/business/news/brexit-black-friday-financial-markets-eu-
referendum-vote-recession-a7101896.html
Collectif. (2016a). Le Petit Robert. Paris, France: Dictionnaires LE ROBERT.
Collectif. (2016b). Le Robert de poche. Paris, France: Dictionnaires LE ROBERT.
Corrado, C., & Jordan, B. (1997).Risk Aversion, Uncertain Information, and Market Efficiency.
Review of Quantitative Finance and Accounting, 8(1), 51-68.
doi:10.1023/A:1008292620583
Cutler, D., Poterba, J., & Summers, I. (1989). What moves stock prices? Journal of Management
Portfolio, 15(3), 4-12. doi:10.3386/w2538
Dickey, D., & Fuller, W. (1979). Distribution of the estimators for autoregressive time series with
a unit root. Journal of the American Statistical Association, 74, 427-431. doi:10.2307/2286348
Fama, E., & French, K. (1989). Business conditions and expected returns on stocks and bonds.
Journal of Financial Economics, 25(1), 23-49. doi:10.1016/0304-405X(89)90095-0
FTSE Russell. (2018a). FTSE 350 Index. Retrieved 25/05/2018 from
http://www.ftse.com/Analytics/Factsheets/
FTSE Russell. (2018b). FTSE Implied Volatility Index. Retrieved 25/05/2018 from
http://www.ftse.com/products/downloads/FTSE_Implied_Volatility_Index_Series.pdf?91
Engle, R., & Granger, C. (1987). Cointegration and error correction: representation, estimation
and testing. Econometrica, 55(2), 251-276. doi:10.2307/1913236
Ethical Journalism Network (EJN). (n.d.). The 5 principles of ethical journalism. Retrieved
22/05/2018 from https://ethicaljournalismnetwork.org/who-we-are/5-principles-of-journalism
Glossaire International. (n.d.). Brexit. Retrieved 27/05/2018 from https://www.glossaire-
international.com/pages/tous-les-termes/brexit.html
Granger, C. (1983). Co-integrated variables and error-correcting models. Unpublished working
paper 83-13, University of California, San Diego.
Gretl
Hübner, G. (2017). Financial Risk Management. Notes de cours, Université de Liège, Belgique.
Hurlin, C. (2007). Econométrie pour la Finance. Notes de cours, Université d’Orléans, France.
Hunt, A., & Wheeler, B. (2018, March 26). Brexit: All you need to know about the UK leaving
the EU. BBC. Retrieved 13/04/2018 from http://www.bbc.com/news/uk-politics-32810887
Jurion, B. (2013). Economie Politique (4ème
éd.). Louvain-la-Neuve, Belgium: De boeck
supérieur.
Khan, M., & Zaman, S. (2012). Impact of macroeconomic variables on stock prices: Empirical
evidence from Karachi Stock Exchange, Pakistan. In M. Zhu (Eds), Advances in Intelligent
and Soft Computing (Vol. 143). Berlin, Germany: Springer.
Knight, F. (1957). Risk, uncertainty and profit. New York, NY: Kelley & Millman.
Kothari, S., & Shanken, J. (1992). Stock return variation and expected dividends: A time-series
and cross-sectional analysis. Journal of Financial Economics, 31(2), 177-210.
doi:10.1016/0304-405X(92)90003-G
Li, J., & Born, J. (2006). Presidential election uncertainty and common stock returns in the
United States. The Journal of Financial Research, 29(4), 609-622. doi:10.1111/j.1475-
6803.2006.00197.x
Liu, L., Shu, H., & Wei, K. (2016). The impacts of political uncertainty on assets prices :
Evidence from the Bo Scandal in China. Journal of Financial Economics, 125(2), 286-310.
doi:10.1016/j.jfineco.2017.05.011
Maio, P., & Santa-Clara, P. (2015). Dividend yields, dividend growth, and return predictability in
the cross-section of stocks. Journal of Financial and Quantitative Analysis, 50(1-2), 33-60.
doi:10.1017/S0022109015000058
Matthee, H. (2011). Political risk analysis. In B. Badie, D. Berg-Schlosser, & L. Morlino (Eds.),
International Encyclopedia of Political Science (pp. 2011-2014). Thousand Oaks, CA: SAGE
Publications, Inc. doi:10.4135/9781412959636.n457
Maurice, E. (2017, December 1). Greenland prepares for Brexit - and possible independence. EU
Observer. Retrieved 13/04/2018 from https://euobserver.com/nordic/140119
Office des Statistiques Nationales du Royaume-Uni (ONS). (2018). Balance of payments.
Retrieved 10/04/2018 from
https://www.ons.gov.uk/economy/nationalaccounts/balanceofpayments
Pástor, L., & Veronesi, P. (2013). Political uncertainty and risk premia. Journal of Financial
Economics, 110(3), 520-545. doi:10.1016/j.jfineco.2013.08.007
Political Risk Services group. (2018). International Country Risk Guide (ICRG) methodology.
Retrieved 10/04/2018 from https://www.prsgroup.com/wp-
content/uploads/2018/01/icrgmethodology.pdf
Quinn, C. (2016, January 5). UK and the EU: How to make a Brexit. BBC. Retrieved 13/04/2018
from http://www.bbc.com/news/uk-politics-35233683
Ramiah, V., Pham, H., & Moosa, I. (2016). The sectoral effects of Brexit on the British economy:
Early evidence from the reaction of the stock market. Applied Economics, 49(26), 2508-2514.
doi:10.1080/00036846.2016.1240352
Sampath, T. (2011). Macroeconomic variables and stock prices in India: An empirical analysis.
The IUP Journal of Monetary Economics, 9(4), 43-55. Retrieved 10/04/2018 from
https://ssrn.com/abstract=2133176
Schwert, W. (1990). Stock returns and real activity : A century of evidence. Journal of Finance,
45(4), 1237-1257. doi:10.1111/j.1540-6261.1990.tb02434.x
Sedgwick, P. (2012). Pearson’s correlation coefficient. BMJ, 345. doi:10.1136/bmj.e4483
Shiller, R. (1981). Do stock prices move too much to be justified by subsequent changes in
dividends? American Economic Review, 71(3), 421-436. doi:10.3386/w0456
Siegel, J. (2002). Stocks for the long run: The definitive guide to financial market returns and
long-term, investment strategies. (3ème
éd.). New York, NY: McGraw-Hill.
Smales, L. (2016). « Brexit » : A case study in the relationship between political and financial
market uncertainty. International Review of Finance, 17(3), 451-459. doi:10.1111/irfi.12100
Soenen, L., & Johnson, R.(2001). The interrelationship between macroeconomic variables and
stock prices - the case of China. Journal of Asia-Pacific Business, 3(2), 67-81.
doi:10.1300/J098v03n02_04
Sottilotta, C. (2013). Political Risk: Concepts, Definitions, Challenges. Rome, Italy: LUISS
School of Government. doi:10.13140/2.1.3205.9846
Stock, M., & Watson, M. (2003). Introduction to econometrics. Reading, MA: Addison-Wesley.
STOXX®. (2018). STOXX® strategy guide. Retrieved 25/05/2018 from
https://www.stoxx.com/document/Indices/Common/Indexguide/stoxx_strategy_guide.pdf
Suleman, M. (2012). Stock market reaction to good and bad political news. Asian Journal of
Finance & Accounting, 4(1), 299-312. doi:10.5296/ajfa.v4i1.1705
Thorp, W. (2003). Stocks and the economic cycle: What performs well – and when. American
Association of Individual Investors Journal, August 2013, 8-13. Retrieved 10/04/2018 from
http://www.aaii.com/journal/issue/August-2003
Yu, H., Fang, L., Zhang, S., & Du, D. (2017). The role of the political cycle in the relationship
between economic policy uncertainty and the long-run volatility of industry-level stock returns
in the United States. Journal of Applied Economics, 50(26), 2932-2937.
doi:10.1080/00036846.2017.1412079
Zonebourse. (2018a). Composition of EURO STOXX® 50. Retrieved 25/05/2018 from
https://www.zonebourse.com/EURO-STOXX-50-7396/composition/
Zonebourse. (2018b). Composition of FTSE 100. Retrieved 25/05/2018 from
https://www.zonebourse.com/FTSE-100-INDEX-7392/composition/
Table des annexes
Annexe 1 : Méthodologie de calcul des indices VFTSE et VSTOXX®……………………….…..I
Annexe 2 : Composition des indices EURO STOXX® 50 et FTSE 100………………………....V
Annexe 3 : Résultats des tests de racine unitaire DF……………………………………………VII
Annexe 4 : Choix du retard pour les variables BREXIT…………………………………….......XI
Annexe 5 : Résultat des tests des modèles d’ECM pour la vérification de l’Hypothèse 1..…..XIV
Annexe 6 : Liste et composition des 18 super-secteurs de l’indice FTSE 350……………….XXIII
Annexe 7 : Corrélation entre les différents secteurs du FTSE 350..…………………………..XXV
Annexe 8 : Résultats des tests du modèle GARCH pour la vérification de l’Hypothèse 2...XXVII
Annexe 9 : Représentation graphique des moyennes mobiles sur 22 jours de volatilité annualisée
des super-secteurs de l’indice FTSE 350 par rapport à la série BRENOM…………………..XXXI
I
Annexes
Annexe 1 : Méthodologie de calcul des indices VFTSE et VSTOXX®
- VFTSE (FTSE Russell, 2018b)
II
III
- VSTOXX® (STOXX®, 2018)
IV
V
Annexe 2 : Composition des indices EURO STOXX® 50 et FTSE 100
- FTSE 100 (Zonebourse, 2018b)
VI
- EURO STOXX® 50 (Zonebourse, 2018a)
VII
Annexe 3 : Résultats des tests de racine unitaire DF
>100
0,01 -2,58
0,025 -2,23
0,05 -1,95
0,1 -1,62
0,975 1,62
- VSTOXX®
Non-rejet de H0 à un seuil de 5%
Seuil de
confiance
Taille de
l’échantillon
Valeurs critiques pour le test de Dickey-Fuller
VIII
Rejet de H0 à un seuil de 5%
- VFTSE
Non-rejet de H0 à un seuil de 5%
IX
Rejet de H0 à un seuil de 5%
- BRENOM
Rejet de H0 à un seuil de 5%
X
XI
Annexe 4 : Choix du retard pour les variables BREXIT
Nous utilisons le critère d’information d’Akaike (AIC), le critère de Schwarz, ou
d’informations Bayesien (BIC) et le critère d’Hannan-Quinn (HQC) pour déterminer le retard
optimal à prendre dans le modèle d’ECM. Le retard optimal est celui pour lequel les critères sont
les plus faibles. Puisque la série BRENOM reprend l’ensemble des nouvelles, son retard optimal
représente le retard optimal pour l’impact d’une nouvelle d’actualité sur le marché des actions et
peut être appliqué à l’ensemble des séries. Les résultats du modèle pour la série BRENOM se
trouvent ci-après. Les résultats ont été vérifiés pour le reste des séries lors de l’analyse du
modèle.
- BRENOM
XII
- BRENOM_1
- BRENOM_2
XIII
- BRENOM_3
- BRENOM_4
XIV
Annexe 5 : Résultat des tests des modèles d’ECM pour la vérification de
l’Hypothèse 1
Toutes les nouvelles - BRENOM
Nouvelles négatives
- Avec centile 90 pour la série négative d’incertitude politique liée au Brexit
XV
- Avec centile 91 pour la série négative d’incertitude politique liée au Brexit
- Avec centile 92 pour la série négative d’incertitude politique liée au Brexit
XVI
- Avec centile 93 pour la série négative d’incertitude politique liée au Brexit
- Avec centile 94 pour la série négative d’incertitude politique liée au Brexit
XVII
- Avec centile 95 pour la série négative d’incertitude politique liée au Brexit
- Avec centile 96 pour la série négative d’incertitude politique liée au Brexit
XVIII
- Avec centile 97 pour la série négative d’incertitude politique liée au Brexit
- Avec centile 98 pour la série négative d’incertitude politique liée au Brexit
XIX
- Avec centile 99 pour la série négative d’incertitude politique liée au Brexit
Nouvelles positives
- Avec centile 90 pour la série positive d’incertitude politique liée au Brexit
XX
- Avec centile 91 pour la série positive d’incertitude politique liée au Brexit
- Avec centile 92 pour la série positive d’incertitude politique liée au Brexit
XXI
- Avec centile 93 et 94 pour la série positive d’incertitude politique liée au Brexit
- Avec centile 95, 96 et 97 pour la série positive d’incertitude politique liée au Brexit
XXII
XXIII
Annexe 6 : Liste et poids des 18 super-secteurs dans l’indice FTSE 350
Nom du super-secteur de l’indice FTSE 350 Poids du secteur dans l’indice total
FTSE 350 100%
FTSE 350 Automobiles & Parts Index 0,02%
FTSE 350 Banks Index 11,03%
FTSE 350 Basic Resources Index 6,84%
FTSE 350 Chemicals Index 0,77%
FTSE 350 Construction & Materials Index 1,73%
FTSE 350 Financial Services Index 7,61%
FTSE 350 Food & Beverages Index 3,64%
FTSE 350 Healthcare Index 8,58%
FTSE 350 Industrial Goods & Services Index 9,25%
FTSE 350 Insurance Index 5,62%
FTSE 350 Media Index 3,45%
FTSE 350 Oil & Gas Index 13,68%
FTSE 350 Personal & Household Goods Index 10,23%
FTSE 350 Retail Index 3,33%
FTSE 350 Technology Index 0,92%
FTSE 350 Telecommunications Index 3,35%
FTSE 350 Travel & Leisure Index 4,69%
FTSE 350 Utilities Index 2,71%
Source : (FTSE Russell, 2018a)
XXIV
XXV
Annexe 7 : Corrélation entre les différents secteurs du FTSE 350
FTSE 350
Technolo
gie
Produits
chimiques Santé
Automobi
le
Ressourc
es
essentiell
es
Construct
ion et
matériaux
Nourritur
e et
boissons
Services
financiers
Biens et
services
industriel
s
Assuranc
e Media
Pétrole et
gaz
Biens
ménagers
et
personnel
s
Commerc
es de
détail
Télécom
municatio
n
Voyage et
loisirs Banques
Services
publics BRENOM
FTSE 350 100%
Technologie 11% 100%
Produits
chimiques 41% 4% 100%
Santé 43% 3% 11% 100%
Automobile 8% 0% 5% -1% 100%
Ressources
essentielles 33% 7% 6% 25% -1% 100%
Construction et
matériaux 66% 6% 38% 22% 13% 22% 100%
Nourriture et
boissons 36% 1% 13% 60% 0% 12% 13% 100%
Services
financiers 72% 10% 41% 13% 15% 8% 82% 13% 100%
Biens et services
industriels 84% 7% 44% 26% 15% 18% 84% 19% 92% 100%
Assurance 76% 7% 36% 21% 13% 15% 81% 17% 91% 89% 100%
Media 53% 2% 25% 24% 6% 7% 44% 19% 52% 55% 54% 100%
Pétrole et gaz 45% 5% 14% 26% -2% 34% 11% 16% 13% 26% 17% 13% 100%
Biens ménagers
et personnels 43% 4% 19% 35% -1% 12% 16% 45% 13% 24% 21% 22% 22% 100%
Commerces de
détail 61% 6% 38% 6% 16% 7% 76% 7% 90% 83% 87% 47% 8% 9% 100%
Télécommunicat
ion 26% 2% 10% 13% 2% 11% 19% 16% 22% 23% 25% 16% 5% 19% 22% 100%
Voyage et loisirs 60% 5% 41% 7% 16% 5% 77% 9% 93% 84% 86% 48% 8% 9% 91% 19% 100%
Banques 61% 4% 33% 8% 13% 12% 72% 9% 83% 75% 81% 42% 10% 9% 77% 17% 83% 100%
Services publics 46% 4% 12% 47% -2% 19% 12% 42% 16% 27% 26% 24% 28% 59% 10% 19% 7% 12% 100%
BRENOM 65% 6% 34% 11% 13% 7% 73% 9% 88% 83% 87% 52% 12% 12% 86% 21% 85% 74% 16% 100%
XXVI
XXVII
Annexe 8 : Résultats des tests du modèle GARCH
- Série BRENOM
Technologie
Produits
chimiques Santé Automobile
Ressources
essentielles Construction
et matériaux
Constante () 5,413E-04*** 4,857E-05*** 6,065E-05*** 0,000194303*
Critère de
convergence
non-respecté
0,00003952**
- () -0,003498*** 0,0323514 0,217857** 0,00621365 0,059268
- ( ) 0,990012*** 0,209005** 0,113164 0,298927*** 0,51818***
BRENOMt-1
() 2,660E-08*** 2,857E-07*** 1,24903E-07* 1,08E-07 9,38589E-08*
Maximum de
vraisemblance 1258,56388 1517,4633 1498,32971 1207,94282 1402,5416
AIC -2507,12776 -3024,92659 -2986,65942 -2405,88563 -2787,2546
BIC -2486,46077 -3004,2596 -2965,99243 -2385,21864 -2766,35944
HQC -2498,99027 -3016,7891 -2978,52193 -2397,74814 -2778,88163
Nourriture et
boissons Services
financiers B&S
industriels Assurance Media Pétrole et gaz
Constante () 4,257E-05*** 4,55E-06 8,21688E-06* 9,82E-06 5,89E-06 6,64E-06
- () 0,21807 0,258523*** 0,209343*** 0,163405*** 0,274413** 0,118184**
- ( ) 0,131427* 0,0425487 0,40248*** 0,251597 0,381181** 0,518578**
BRENOMt-1
() 7,67E-08 1,472E-07*** 6,29994E-08* 2,373E-07*** 9,119E-08** 2,03E-07
Maximum de
vraisemblance 1593,32474 1722,10491 1645,27089 1520,09305 1612,46874 1452,95943
AIC -3176,64949 -3434,20983 -3280,54178 -3030,1861 -3214,93747 -2895,91886
BIC -3155,9825 -3413,54284 -3259,87479 -3009,51911 -3194,27048 -2875,25187
HQC -3168,512 -3426,07234 -3272,40429 -3022,04861 -3206,79999 -2887,78137
Biens
ménagers et
personnels
Commerces
de détail Télécommuni
cation Voyage et
loisirs Banques
Services
publics
Constante () 6,826E-05*** 1,36E-05 1,49E-05 8,28E-06 1,13E-05 3,367E-05***
- () 0,125026*** 0,0589776 0,140678 0,0848443* 0,11246** 0,326633***
- ( ) 0,369072** 0,360749 0,115133 0,400302** 0,405499* 0,119898
BRENOMt-1
() 1,88E-07 1,821E-07*** 3,46E-07 1,075E-07*** 2,19491E-07* 7,15E-08
Maximum de
vraisemblance 1524,04773 1534,37208 1490,13435 1625,27948 1476,43284 1535,25309
AIC -3038,09546 -3058,74416 -2970,26871 -3240,55895 -2942,86568 -3060,50618
BIC -3017,42847 -3038,07717 -2949,60172 -3219,89196 -2922,19869 -3039,83919
HQC -3029,95797 -3050,60667 -2962,13122 -3232,42146 -2934,72819 -3052,36869
XXVIII
- Série BREBIN-97
Technologie Produits
chimiques Santé Automobile
Ressources
essentielles Construction
et matériaux
Constante () 1,11E-06 1,92E-05 9,156E-05*** 0,00027363**
Critère de
convergence
non-respecté
5,1081E-05**
- () 0,0821095 0,0795604 0,159647*** 0,00966698 0,103675
- ( ) 0,944797*** 0,681561*** 0,188125** 0,0766168 0,502928***
BREBIN-97t-1
() 9,17E-05 7,83E-05 3,082E-04*** 6,89E-04 0,00030271
Maximum de
vraisemblance 1509,92766 1497,08244 1208,49232 1397,41539
AIC
-3009,85532 -2984,16487 -2406,98463 -2784,83077
BIC
-2989,18833 -2963,49788 -2386,31764 -2764,16378
HQC
-3001,71783 -2976,02739 -2398,84714 -2776,69328
Nourriture et
boissons Services
financiers B&S
industriels Assurance Media Pétrole et gaz
Constante () 2,13E-05 1,891E-05*** 1,8754E-05** 5,57601E-05* 1,89803E-05* 5,51E-06
- () 0,20977** 0,247269*** 0,225136*** 0,175658*** 0,269695** 0,0752438
- ( ) 0,449295 0,194007 0,376552** 0,124672 0,397223* 0,872122***
BREBIN-97t-1
() 5,11E-05 5,34E-04 1,98E-04 0,00153556 2,85E-04 4,92E-05
Maximum de
vraisemblance 1589,64247 1705,836 1637,94166 1504,17642 1604,80063 1445,04331
AIC -3169,28494 -3401,67199 -3265,88332 -2998,35283 -3199,60126 -2880,08663
BIC -3148,61795 -3381,005 -3245,21633 -2977,68584 -3178,93427 -2859,41964
HQC -3161,14746 -3393,5345 -3257,74583 -2990,21534 -3191,46377 -2871,94914
Biens
ménagers et
personnels
Commerces
de détail Télécommuni
cation Voyage et
loisirs Banques
Services
publics
Constante () 8,325E-05*** 6,088E-05*** 1,468E-05*** 3,67E-05 8,178E-05*** 4,617E-05***
- () 0,168867*** 0,180371*** 0,0894832 0,0953347* 0,153488** 0,335439***
- ( ) 0,222659*** 0,00902327 0,732398*** 0,164078 0,0184124 0,095874
BREBIN-97t-1
() 2,331E-04*** 9,84E-04 5,33E-04 4,82E-04 1,14E-03 1,77841E-04*
Maximum de
vraisemblance 1524,68976 1524,46009 1475,67759 1613,67443 1461,60069 1534,46485
AIC -3039,37953 -3038,92018 -2941,35519 -3217,34887 -2913,20137 -3058,92969
BIC -3018,71254 -3018,25319 -2920,6882 -3196,68188 -2892,53438 -3038,2627
HQC -3031,24204 -3030,7827 -2933,2177 -3209,21138 -2905,06389 -3050,7922
XXIX
- Série BREBIN+95
Technologie Produits
chimiques Santé Automobile
Ressources
essentielles Construction
et matériaux
Constante () 1,47E-06 9,50522E-06* 7,15E-05 8,16802E-06* 3,67E-06 4,1156E-05**
- () 0,00680488 0,0822039* 0,201821* 0,0032203 0,0242137*** 0,197315
- ( ) 0,985518*** 0,80915*** 0,04483 0,960633*** 0,96182*** 0,526058***
BREBIN+95t-1
() 9,02E-04 -6,19E-05*** 7,04E-05 1,13E-03 -7,84E-05 -6,18E-06
Maximum de
vraisemblance 1324,51706 1508,8744 1490,83332 1229,99347 1262,10865 1392,60729
AIC -2639,03413 -3007,74881 -2971,66663 -2449,98694 -2514,2173 -2775,21458
BIC -2618,36714 -2987,08182 -2950,99964 -2429,31995 -2493,55031 -2754,54759
HQC -2630,89664 -2999,61132 -2963,52914 -2441,84945 -2506,07981 -2767,07709
Nourriture et
boissons Services
financiers B&S
industriels Assurance Media Pétrole et gaz
Constante () 1,44876E-05* 5,478E-06*** 1,153E-05*** 1,23E-05 1,3396E-05** 2,11E-05
- () 0,188898* 0,201953*** 0,213028*** 0,113551 0,305426* 0,138346**
- ( ) 0,598456*** 0,660834*** 0,56423*** 0,744299*** 0,51196*** 0,687096***
BREBIN+95t-1
() -5,19E-05*** -7,57E-06 -2,1E-05*** -1,84E-05 -2,58E-06 -2,17E-05
Maximum de
vraisemblance 1588,9822 1680,10584 1628,69917 1464,4082 1591,80043 1441,52367
AIC -3167,96439 -3350,21169 -3247,39833 -2918,81641 -3173,60087 -2873,04734
BIC -3147,2974 -3329,54469 -3226,73134 -2898,14942 -3152,93388 -2852,38035
HQC -3159,8269 -3342,0742 -3239,26084 -2910,67892 -3165,46338 -2864,90985
Biens
ménagers et
personnels
Commerce de
détail Télécommuni
cation Voyage et
loisirs Banques
Services
publics
Constante () 2,83E-05 1,63E-05 2,22E-05 1,069E-05*** 1,57E-05** 4,038E-05***
- () 0,120924 0,108152 0,241721 0,141354** 0,116333** 0,365763***
- ( ) 0,547272 0,690188*** 0,590565 0,663629*** 0,730581*** 0,188613
BREBIN+95t-1
() -7,78E-05*** -4,44E-05*** -6,52E-05 -5,82E-06 4,25E-05 -5,145E-05***
Maximum de
vraisemblance 1515,19324 1496,80249 1465,23908 1599,60092 1436,89623 1532,41194
AIC -3020,38648 -2983,60498 -2920,47817 -3189,20185 -2863,79246 -3054,82388
BIC -2999,71949 -2962,93799 -2899,81118 -3168,53486 -2843,12547 -3034,15689
HQC -3012,24899 -2975,46749 -2912,34068 -3181,06436 -2855,65497 -3046,68639
XXX
XXXI
Annexe 9 : Représentation graphique des moyennes mobiles sur 22 jours de
volatilité annualisée des super-secteurs de l’indice FTSE 350 par rapport à la
série BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
FTSE 350 BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Produits chimiques BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Automobile BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Technologie BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Santé BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Ressources essentielles BRENOM
XXXII
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Construction et matériaux BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Services financiers BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Assurance BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Pétrole et gaz BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Nourriture et boissons BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
B&S industriels BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Media BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Biens ménagers et personnels BRENOM
XXXIII
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Commerce de détail BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
te (
22
j.)
an
nu
ali
sée
Voyage et loisirs BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Services publics BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Télécommunication BRENOM
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0% 5%
10% 15% 20% 25% 30% 35% 40% 45% 50%
No
mb
re d
e N
ew
s
% v
ola
tili
té (
22
j.)
an
nu
ali
sée
Banques BRENOM
Résumé analytique
Ce mémoire vise à contribuer à la littérature existante autour de l’impact de l’incertitude politique
sur le marché des actions. Il s’agit ici d’étudier en particulier cet impact au Royaume-Uni en
période post-référendum et de négociations autour du Brexit sur la volatilité implicite et
conditionnelle du marché des actions britanniques. Une analyse d’impact sectoriel est également
réalisée autour du Brexit. Pour ce faire, l’approche consiste à appliquer des modèles
économétriques sur des séries temporelles financières, ce qui nous permet de définir si, oui ou
non, un tel impact existe pendant la période étudiée.
Dans un premier temps, nous analysons l’impact global de l’incertitude politique due au Brexit
sur la volatilité implicite du marché des actions britanniques, représenté par l’indice VFTSE pour
la volatilité implicite du FTSE 100. Dans le but de représenter l’incertitude politique de manière
quantitative, des « jours évènements » positifs et négatifs sont déterminés par le nombre de
nouvelles apparues dans la presse financière ainsi que leur « couleur ». Ceci nous permet
d’obtenir deux séries de variables binaires à tester : l’une représentant l’augmentation de
l’incertitude politique au travers des nouvelles défavorables et l’autre les nouvelles favorables qui
contribuent à la diminution de celle-ci. L’étude d’impact est basée sur la théorie de cointégration
et le modèle de correction d’erreur (ECM). Notre modèle utilise les variables cointégrées VFTSE
et VSTOXX®, indice de volatilité implicite de l’EURO STOXX® 50, ainsi qu’une variable
exogène représentant l’incertitude politique due au Brexit. Le modèle est décliné autant de fois
qu’il y a de variables muettes représentant l’incertitude politique liée au Brexit, ce qui permet de
tester la robustesse du modèle.
Dans un second temps, afin de vérifier l’impact sur la volatilité conditionnelle, en plus de la
volatilité implicite, nous testons l’indice FTSE 350 dans un modèle GARCH-X(1,1) dans lequel
nous incorporons nos différentes séries d’incertitude politique due au Brexit, une à une. C’est
également au travers d’un tel modèle que nous testons l’impact sectoriel en utilisant les indices de
super-secteurs du FTSE 350. A nouveau, les nouvelles favorables et défavorables sont séparées
afin d’analyser l’impact isolé de chacune des deux catégories de nouvelles.
Les résultats de ces différentes analyses démontrent un impact significatif de l’incertitude
politique liée au Brexit sur la volatilité du marché des actions britanniques en période post-
référendum. Ces analyses confirment également un impact différent en fonction des secteurs et en
fonction de la « couleur » des nouvelles d’actualités.
Executive summary
This thesis aims to contribute to the existing literature around the impact of political uncertainty
on stock markets. The goal of this study is to identify the impact of political uncertainty due to
Brexit during the post-referendum period and negotiations on the UK stock market’s both implied
and conditional volatility. An analysis of the sectorial impact is also conducted. To do so, the
approach consists of applying econometrics models on financial time series, which allows us to
define whether an impact occurred during the period under analysis.
First, we analyze the general impact of political uncertainty due to Brexit on the implied volatility
of the UK stock market, represented by the VFTSE index being the implied volatility of the
FTSE 100 index. In order to represent political uncertainty in a quantitative way, positive and
negative “event days” are identified by both looking at the number of news published in financial
newspapers and their “color”. This helps us obtain two series of binary variables: one
representing the increase of political uncertainty due to Brexit through unfavorable news and
favorable news contributing to its decrease. The study of the impact is based on the cointegration
theory and on the error correction model (ECM). Our model uses the cointegrated variables
VFTSE and VSTOXX®, index of the implied volatility of the EURO STOXX® 50, as well as an
exogenous variable representing political uncertainty caused by Brexit. The model is replicated as
many times as there are binary variables accounting for this uncertainty, which permits to test for
robustness of the model.
Secondly, in order to verify the impact on conditional volatility, we test the FTSE 350 index in a
GARCH-X(1,1) model in which we integrate our series of political uncertainty. It is also through
this type of model that we test the sectorial impact using the supersector indices of the FTSE 350.
Once again, favorable and unfavorable news are analyzed separately to isolate the impact of each
of the two categories of news.
The results of these analyses show a significant impact of political uncertainty due to Brexit on
the UK stock market’s volatility during the post-referendum period. These analyses also confirm
a different impact depending on the sector and on the “color” of the news.